$html = preg_replace('#<(pre|code)\b[^>]*>.*?</\1>#is', '', get_the_content());
$len = mb_strlen(preg_replace('/\s+/', '', strip_tags($html)), 'UTF-8');
update_post_meta($post->ID, '_word_count', $len);
一篇 1800 字的教程,正文只占三分之一,其余是 shell 片段,页面显示 9800 字、阅读时长 12 分钟,读者留言说看到这个数字就不想读了。先别急着动参数,把报错原文和时间点记下来,顺序反了容易白折腾。
原因不复杂,统计函数对 the_content 做 strip_tags 后直接数字符,pre 和 code 里的内容全算进正文。中文按字、英文按词的两套口径又混在一起,代码里的标点也被计入。
这次卡住的地方就在「字数统计含代码块」这一环,单独把它拎出来验证,别和其他改动混在同一次发布里。动手前把原文件复制一份带时间戳,出问题立刻换回去,比现场分析快得多。
一次只改一处,改完立刻验证,几个改动叠在一起,出问题就说不清是谁导致的。
处理上按这个顺序:统计前先剔除 pre 和 code 节点 用 DOM 解析别用正则;中文按汉字数 英文按空格分词 两套结果相加;阅读时长按每分钟 300 字算 代码不计入;结果写 post_meta 不要每次请求都重算。
改完只确认一件事:纯代码那篇的字数落到个位数,中英混排这篇和 Word 统计相差不到 5%。
