0

Gracias a Document Transformations de Filestack puedo obtener el contenido de archivos de Word (.DOC/.DOCX) en formato de texto plano (text/plain). Deseo contar el número de palabras (no números ni signos de puntuación) y mostrarlo en una página HTML. Tengo lo siguiente:

<button type="button" id="load" class="btn btn-md btn-info">LOAD FILES</button>
<br>
<div id="result"></div>

<script src="../vendors/jquery/dist/jquery.min.js"></script>
<script src="https://static.filestackapi.com/v3/filestack.js"></script>
<script>

function numWordsR(urlk){ 
    $.post("result_filestack.php",{
        molk: urlk //urlk, ejemplo: https://process.filestackapi.com/output=format:txt/AXXXXAXeeeeW33A";
    }).done(function(resp){
        $("#result").html(resp);
    });
}
</script>

Y el archivo result_filestack.php:

$url = $_POST['molk'];
$content = file_get_contents($url); //obtengo el contenido del url en formato texto plano
$onlywords = preg_replace('/[[:punct:]\d]+/', '', $content); //sin números ni signos de puntuación

function get_num_of_words($string) {
  $string = preg_replace('/\s+/', ' ', trim($string));
  $words = explode(" ", $string);
  return count($words);
}

$numwords = get_num_of_words($onlywords);
echo "<b>TEXT:</b>: ".$onlywords."<br><br>Number of words: ".$numwords;

Obtengo el siguiente resultado:

introducir la descripción de la imagen aquí

Por ejemplo, en este caso el resultado dice que el texto tiene 585 palabras, sin embargo si copio y pego este texto en MS Word me indica que tiene 612 palabras. Hago cambios en el código PHP para mapear el array del texto:

function get_text($string) {
  $string = preg_replace('/\s+/', ' ', trim($string));
  $words = explode(" ", $string);
  return $words;
}

$texto002 = get_text($onlywords);
echo print_r($texto002);

Estoy notando que existen errores en el conteo de palabras, en algunas partes están tomando dos o tres palabras como si fuese una sola:

introducir la descripción de la imagen aquí

¿Cómo puedo corregirlo?

Agradeceré su ayuda.

1 respuesta 1

0

Finalmente pude corregirlo de la siguiente manera, utilizando la función htmlentities() ya que habían caracteres &nbsp;en el texto solo que no están visibles:

function get_num_of_words($string) {
  $string = htmlentities($string, null, 'utf-8');
  $string = str_replace("&nbsp;", " ", $string);

  $string = preg_replace('/\s+/', ' ', trim($string));
  $words = explode(" ", $string);
  return count($words);
}

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.