rubyonrails - ¿Cuenta de palabras en Rails?

ruby server

Question

Digamos que tengo un modelo de blog con Título y Cuerpo. ¿Cómo muestro el número de palabras en Cuerpo y caracteres en Título? Quiero que la salida sea algo como esto.

Título: Lorem Cuerpo: Lorem Lorem Lorem

Este post tiene 3 palabras.

Answer 1

Las respuestas aquí tienen un par de cuestiones:

1. No tienen en cuenta los caracteres utf y Unicode (diacríticos): áâãêü, etc ...
2. No tienen en cuenta los apóstrofes y los guiones. Así que Joe''s será considerado como dos palabras de Joe y lo que obviamente es incorrecto. Al igual que twenty-two , que es una sola palabra compuesta.

Algo como esto funciona mejor y explica esos problemas:

foo.scan(/[/p{Alpha}/-'']+/)

Es posible que desee ver mi gema palabras contadas . Permite contar palabras, sus ocurrencias, longitudes y un par de otras cosas. También está muy bien documentado.

counter = WordsCounted::Counter.new(post.body)
counter.word_count #=> 3
counter.most_occuring_words #=> [["lorem", 3]]
# This also takes into capitalisation into account.
# So `Hello` and `hello` are counted as the same word.

Answer 2

Si estás interesado en el rendimiento, escribí un punto de referencia rápido:

require ''benchmark''
require ''bigdecimal/math''
require ''active_support/core_ext/string/filters''

# Where "shakespeare" is the full text of The Complete Works of William Shakespeare...

puts ''Benchmarking shakespeare.scan(//w+/).size x50''
puts Benchmark.measure { 50.times { shakespeare.scan(//w+/).size } }
puts ''Benchmarking shakespeare.squish.scan(//w+/).size x50''
puts Benchmark.measure { 50.times { shakespeare.squish.scan(//w+/).size } }
puts ''Benchmarking shakespeare.split.size x50''
puts Benchmark.measure { 50.times { shakespeare.split.size } }
puts ''Benchmarking shakespeare.squish.split.size x50''
puts Benchmark.measure { 50.times { shakespeare.squish.split.size } }

Los resultados:

Benchmarking shakespeare.scan(//w+/).size x50
 13.980000   0.240000  14.220000 ( 14.234612)
Benchmarking shakespeare.squish.scan(//w+/).size x50
 40.850000   0.270000  41.120000 ( 41.109643)
Benchmarking shakespeare.split.size x50
  5.820000   0.210000   6.030000 (  6.028998)
Benchmarking shakespeare.squish.split.size x50
 31.000000   0.260000  31.260000 ( 31.268706)

En otras palabras, el squish es lento con cadenas muy grandes ™. Aparte de eso, la split es más rápida (dos veces más rápida si no usas squish ).

Answer 3

También:

"Lorem Lorem Lorem".split.size
=> 3

Answer 4

"Lorem Lorem Lorem".scan(//S+/).size
=> 3

Answer 5

"Lorem Lorem Lorem".scan(//w+/).size
=> 3

ACTUALIZACIÓN : si necesita hacer coincidir rock-and-roll como una sola palabra, podría hacer lo siguiente

"Lorem Lorem Lorem rock-and-roll".scan(/[/w-]+/).size
=> 4

Answer 6

"caçapão adipisicing elit".scan(/[/w-]+/).size 
=> 5

Pero como podemos ver, la oración tiene solo 3 palabras. El problema está relacionado con los caracteres acentuados, porque la expresión regular / w no los considera como un carácter de palabra [A-Za-z0-9_].

Una solución mejorada sería

I18n.transliterate("caçapão adipisicing elit").scan(/[/w-]+/).size
=> 3