HTML怎么获取上传的Word文件总字数-html教程-PHP中文网

浏览器无法直接读取Word文件字数，因.docx是ZIP压缩包，需用mammoth解析document.xml提取文本再统计；推荐mammoth.extractRawText，注意空格分词逻辑及大文件用Web Worker优化。

html怎么获取上传的word文件总字数

Word文件不能直接用`File.size`或`textContent`读出字数

浏览器原生不解析.docx二进制结构，File对象只提供元信息（如name、size、type），没有wordCount字段。直接读取为文本会得到乱码，因为.docx本质是ZIP压缩包，含XML文件和资源。

必须解压并解析`document.xml`才能准确统计

一个标准.docx文件解压后，正文内容存在word/document.xml中，字数需提取所有标签内的纯文本再计数（注意过滤空白、换行、注释节点）。推荐用轻量库处理，避免手写ZIP+XML解析：

用 docx-preview（仅渲染）不行——它不暴露原始文本
用 mammoth 最稳妥：专注提取.docx文本，输出干净HTML或纯字符串，支持includeEmbeddedImages: false等控制项
安装：npm install mammoth；浏览器端可引入UMD版mammoth.browser.min.js

示例核心逻辑：

Convert Markdown To HTML And PDF - Markdown和HTML、PDF互转

实现 Markdown↔ HTML 互转，支持导出 PDF，用于用户请求的文档格式转换。

下载

const reader = new FileReader();
reader.onload = async (e) => {
  const arrayBuffer = e.target.result;
  const result = await mammoth.extractRawText({arrayBuffer});
  const text = result.value.replace(/\s+/g, ' ').trim(); // 合并空白符
  const wordCount = text ? text.split(' ').length : 0;
  console.log('字数:', wordCount);
};
reader.readAsArrayBuffer(file);

注意`mammoth`的边界情况和性能

它不计算中文标点、不区分“字”与“词”，按空格分词——这对中英文混排文档基本可用，但严格意义上的“中文字符数”需改用text.length（排除空白符）：

若需纯中文字符计数（含汉字、中文标点），用：[...text].filter(c => /[\u4e00-\u9fa5\u3000-\u303f\uff00-\uffef]/.test(c)).length
大文件（>10MB）可能阻塞主线程，建议用Web Worker包裹mammoth.extractRawText
file.type为application/vnd.openxmlformats-officedocument.wordprocessingml.document才可信；用户可能篡改后缀名，应校验ZIP魔数或用JSZip预检

不要依赖Office Online API或后端代理（除非必须）

调用https://api.onedrive.com/v1.0/me/drive/root:/xxx.docx:/content一类接口需要OAuth授权、跨域、配额限制，对单页工具得不偿失。本地解析在99%场景下更快、更可控，唯一复杂点在于正确加载mammoth的浏览器兼容版本——记得检查window.mammoth是否存在，而不是直接import（ESM需构建流程支持）。