透過爬蟲讓 Airtable 管理你的 Medium 文章(補充篇) — 文章字數統計

林鼎淵 — Mon, 08 Feb 2021 14:33:11 +0800

目前 Medium 只有提供讀者一篇文章的大約閱讀時間資訊，但是對於作者而言他們更想知道自己這篇文章寫了多少字，這樣就能透過 Airtable 知道自己每篇文章/系列的文字產量；今天我們就來分析如何透過爬蟲計算出一篇文章的字數吧。

如果你對這個專案的起源感興趣，請參考：透過爬蟲讓 Airtable 管理你的 Medium 文章(上) — 遇到需求時的分析以及執行步驟

文章大綱：
一、分析 Medium 網頁元素
二、確認爬蟲能正確抓取目標文字
三、設計字數統計的邏輯
四、實測確認可完成文章字數統計
五、未來展望

一、分析 Medium 網頁元素

為了提供爬蟲一個抓取文章的邏輯，我們要先了解 Medium 的網頁元素

STEP 1：按下 F12，了解文章會放在哪一個元素裡面

我們滑鼠移過去會發現一個 article 的 html tag，裡面就是整篇文章的資訊

STEP 2： 分析文章中哪些 html tag 需要抓取

依據 Medium 文章的排版種類，以下是我們需要做字數統計的 tag：

：大標題
：小標題
：一般文字(包含粗體、斜體、連結)
：被包在 Block 裡面的文字(會被 html 的 pre tag 包住)
：列表的文字
：照片的補充文字說明

二、確認爬蟲能正確抓取目標文字

如果你想培養完整爬蟲的程式能力，可以參考我在 IT邦幫忙鐵人賽的文章，本篇文章只單純提供演算法

STEP 1：在知道哪些網頁元素需要抓取後，我們就來嘗試看看能否抓到我們所希望的文字資訊

async function countStoryWords (driver) {
    try {
        let wordsCount = 0
        let article_tag_p = await driver.findElements(By.xpath(`//article//p`));
        let article_tag_h1 = await driver.findElements(By.xpath(`//article//h1`));
        let article_tag_h2 = await driver.findElements(By.xpath(`//article//h2`));
        let article_tag_span = await driver.findElements(By.xpath(`//article//span`));
        let article_tag_figcaption = await driver.findElements(By.xpath(`//article//figcaption`));
        let article_tag_li = await driver.findElements(By.xpath(`//article//li`));

        for (var k = 0; k < article_tag_p.length; k++) {
            let article_text = await article_tag_p[k].getText()
            console.log(article_text)
        }
      ...
      } catch (e) {
        console.error('計算 Story words 失敗')
        console.error(e)
        return 0
    }
}

原始碼：countStoryWords.js（GitHub Gist）

STEP 2：透過 console.log 的回饋，我們可以發現有一些資訊是不需要抓取的

html 的 span tag 抓到了作者的資訊，但這些資訊並不需要列入文章字數統計

STEP 3：分析 html 的組成將多餘的資訊過濾

透過上圖我們可以發現這些不必要的資訊都是被 div、span 這兩種 tag 所包圍的

只要在 span tag 抓取文字的地方先判斷其 parent 的元素即可過濾

for (var k = 0; k < article_tag_span.length; k++) {
    // 要先過濾掉最上方作者資訊
    let parant_tag = await article_tag_span[k].findElement(By.xpath(`./..`)).getTagName();
    if (parant_tag != "div" && parant_tag != "span") {
        let article_text = await article_tag_span[k].getText()
        // console.log(article_text)
        // console.log(countWords(article_text))
        wordsCount = wordsCount + countWords(article_text)
    }
}

原始碼：filter_author.js（GitHub Gist）

三、設計字數統計的邏輯

STEP 1：文章抓下來的文字需要列入字數統計的有：中文、英文；其餘特殊字元不列入計算。

STEP 2：撰寫文字計算邏輯的 function

function countWords (str) {    
    // 先將特殊字元用空白取代掉
    str = str.replace(/[\u007F-\u00FE]/g, ' ');

    // 複製兩個，一個用來算中文字數，一個計算英文字數
    let str1 = str;
    let str2 = str;

    // 移除中文，單純計算英文
    str1 = str1.replace(/[^!-~\d\s]+/gi, ' ')

    // 移除英文單純計算中文
    str2 = str2.replace(/[!-~\d\s]+/gi, '')

    let matches1 = str1.match(/[\u00ff-\uffff]|\S+/g);
    let matches2 = str2.match(/[\u00ff-\uffff]|\S+/g);

    count1 = matches1 ? matches1.length : 0;
    count2 = matches2 ? matches2.length : 0;

    /// 回傳總和
    const total = (count1 + count2);
    return total
}

原始碼：countWords.js（GitHub Gist）

四、實測確認可完成文章字數統計

STEP 1：透過 console.log 印出列入計算的文字、計算出來的文字長度，確認是否與我們期望的相同

會因為斷句的關係字數有些許差異，但基本上符合需求

STEP 2：在 airtable 上面增加字數統計的爛位，將欄位的類型設定為number，確認匯入的資訊是否符合期望

https://airtable.com/shrB7C3AemsGj1mYN

五、未來展望

目前字數統計的功能只能給尚未爬蟲過的文章使用，故未來會考慮增加 update 舊文章資訊的 function
字數統計也許配合長條圖視覺話有更炫砲的效果，這塊也可以在考慮看看

完成的專案程式碼在這裡，歡迎有興趣的朋友自己動手玩玩看～

Medium 字數統計｜林鼎淵 Dean Lin