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:
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:
¿Cómo puedo corregirlo?
Agradeceré su ayuda.