noteで書いた「全ての文字数」をカウントする方法
これまで書いた記事が
「何文字」か気になった。
noteにはエクスポート機能があるので、
出力してテキスト形式にした後マージして、
すぐにカウントできるだろう、と思った。
しかし、少し手間取ったので、
手順をここにまとめておく。
この手順に関しては、
ネットをザっと見ても出てこなかった。
誰か記事にはしていると思われるが、
少なくとも検索上位には来ていない。
一部、pythonを使用しコードを書いて文字数カウントしていたが、pythonだと環境が整っていない方もいるので、できるだけアナログで簡易的な方法でやってみた。
私も以前PCにpythonを入れたけれど、全く使えないのでいつの日にか勉強して使えるようになりたい。
また、これより簡単で優れた方法もあると思うので、もしあれば教えていただきたい。
なお、この手順はPCでのもの。
スマホでも別の方法で出来るかもしれない。
◆手順（エクスポート～メモ帳へ出力）
note＞自分の記事＞エクスポート
「エクスポート」を押すと、
確認画面が表示される。
そして「エクスポート開始」を押すと、
メールで通知しますという表示が出る。
少し待つと、登録しているメールへ通知が来る。
メール画面から遷移すると、
ダウンロードページへのリンクが出来ている。
そのページからダウンロードをすると、
・「assets」フォルダ
・「note-ID.xml」ファイル
この2つが出来ている。
assetsフォルダの中身は画像が入っている。
今回文字数を計測するので、
画像は不要。
なので、もう一方の.xmlのファイルを開いてみる。
この時点で嫌な予感がした。
なぜなら、.txtかと思っていたが、
.xmlという未知の拡張子だったから。
これ開くのにも面倒なんだろうなと感じた。
メモ帳（サクラエディタ）で開いた。
タグと文字と日付みたいなものが混在している。
文字以外のものを全て削除しなければならない。
この時点での文字数は649,763字
◆手順（ChatGPTで確認）
私はすぐに「置換」をし、
余計なものを全部取り除こうとした。
メモ帳で置換ができるのか？
エクセルに一回出力し、そこから置換？
少しだけ思い当たるのを色々いじってみたが、
なんだかよくわからない。
しかもエクセルに吐き出すと、
.xmlのせいか文字コードのせいか
わからないが文字化けする。
まあでも今回は文字数をカウントするので、
文字化けは関係ないと思われるけれど。
ネットでも手順がうまく調べられない。
しかし、私にはChatGPT先生という
心強い味方がいたのだ。
こういう時に、
より簡単な方法を調べてくれるのが生成AI。
＃プロンプト
「.xml」形式で文字とタグが混在している文章です。 その中から、全てのタグを削除して、 文字数のみをカウントする方法を教えてください。
#条件 今は「.xml」形式となっていますが、他の形式に変換しても構いません。 より簡易的な方法
方法1: テキストエディタを使用する
・VS Codeを使用する方法:
XMLファイルを開きます。
正規表現を利用してタグを削除します。
`Ctrl + H`で検索と置換ウィンドウを開きます。
検索欄に`<[^>]+>`と入力し、置換欄は空白にします。
正規表現を有効にして（.*というアイコンをクリック）、すべてを置換します。
タグが削除された後、ステータスバーに表示される文字数を確認できます。
・Notepad++を使用する方法:
XMLファイルを開きます。
`Ctrl + H`で検索と置換ダイアログを開きます。
検索モードを「正規表現」に設定し、検索欄に`<[^>]+>`と入力、置換欄を空白にします。
「すべて置換」をクリックしてタグを削除します。
`Ctrl + A`で全選択して、ステータスバーに表示される文字数を確認します。
方法2: プログラムを使用する
Pythonのスクリプトを使うことで、タグを削除して文字数をカウントすることも簡単にできます
import re # XMLの内容を読み込み xml_content = """ <note> <to>Tove</to> <from>Jani</from> <heading>Reminder</heading> <body>Don't forget me this weekend!</body> </note> """ # タグを削除 text_only = re.sub(r'<[^>]+>', '', xml_content) # 文字数をカウント character_count = len(text_only) print(f"文字数: {character_count}")
方法3: オンラインツールを使用する
オンラインで利用できる「XML to Text」や「HTMLタグ削除ツール」を使用して、タグを削除し、その後、文字数カウンターを利用して文字数を確認することもできます。
まとめ
最も簡単な方法は、テキストエディタを使用して正規表現でタグを削除し、文字数をカウントする方法です。プログラミングに慣れている場合は、Pythonスクリプトを使う方法も効果的です。
ツールを使いたくないから、
方法1が一番とっつきやすい。
VSCodeとNotepad++どちらでもよかったが、
今回はVSCodeを利用することにした。
ではこの出力された手順通りにやってみる。
◆手順（VSCodeでの作業）
・ツールダウンロード
まず、ネット上でVScodeをダウンロードする。
ダウンロードボタンを押し、
すぐに完了した。
※ちなみにこれは全部英語だけれど、学生で仕事をしていない私でもすぐにわかったので、PCで仕事している人や作業している人はすぐに分かると思う。
左上「file」＞「openfile」を押すと、
どのファイルを選択するかが出てくる。
ここで先ほどダウンロードした
.xmlのファイルを選択する。
選択をすると、読み込むことができた。
ここから、タグをすべて削除していく。
・タグを削除
VScodeは「置換」をすることができる。
なので置換をしてすべて削除する。
先ほど出力されたものを、
そのまま入れる。
`Ctrl + H`で検索と置換ウィンドウを開きます。
検索欄に`<[^>]+>`と入力し、置換欄は空白にします。
正規表現を有効にして（.*というアイコンをクリック）、すべてを置換します。
置換元に入力すると、
該当するモノがすべてオレンジ色になった。
これが削除される「タグ」である。
とても分かりやすい。
これをすべて削除する。
見事にタグがすべて無くなった。
これで文字数だけになったと思うが、
さらにURLと日付の塊が出力されている。
・URLを削除する
次にURLをすべて削除する。
再びChatGPT先生に聞く。
＃プロンプト
方法1のVScodeでタグはすべて削除しました
次に、URLを全て削除する方法
VS Codeでタグを削除した後、XML内のURLを削除する方法は以下の通りです。
### 方法1: 正規表現を使ってURLを削除する
1. **URLの形式を確認する**
URLの形式が`http://`や`https://`で始まる場合が一般的です。この場合、正規表現を使ってURLを削除できます。
2. **検索と置換を開く**
`Ctrl + H`を押して、検索と置換ウィンドウを開きます。
3. **正規表現を入力する**
検索欄に以下の正規表現を入力します。
``` https?://[^\s]+```
- `https?`: `http`または`https`にマッチ。
- `://`: スラッシュの前後のコロンと2つのスラッシュにマッチ。
- `[^\s]+`: 空白以外の文字が1つ以上連続する部分にマッチ。
また、場合によってはURLがドメイン名で終わらず、クエリパラメータやパスが含まれる場合があるため、行末までのURLを削除したい場合は以下の正規表現を使います。
```https?://[^\s"]+```
- `"`が含まれている場合には、クエリパラメータや他の構造が含まれる場合でも対応できます。
4. **置換欄を空欄に**
置換欄を空欄にして、すべて置換をクリックします。
5. **URLが削除されます**
これで、文中のすべてのURLが削除されます。
### 注意点
- 正規表現は一般的なURL形式を想定していますが、特殊な形式や非常に短いURL、ドメイン名のみのURLが含まれている場合には追加の調整が必要になる場合があります。
- URLの前後にスペースが残る場合がありますが、文書の整形が必要であればそれも合わせて調整します。
これで、XMLからタグだけでなく、URLもすべて削除できます。
2つの正規表現での入力が出てきたが、
なんとなく後者を使用した。
```https?://[^\s"]+```
- `"`が含まれている場合には、クエリパラメータや他の構造が含まれる場合でも対応できます。
これで置換し、
無事「タグ」と「URL」は削除完了した。
では最後に「日付」を全て削除する。
・日付を削除する
再びChatGPT先生に聞く。
日付の塊に関しては一見全部バラバラに感じるけれど、なんか規則性があるので、その規則を2つほどプロンプトに打ち込む。
＃プロンプト
URLもすべて削除成功しました 次にJun 2024 21:51:02 +0900000 22 Jun 2024 05:25:50 +0900000この形式のものが混在しています。 これを削除してください
この形式の文字列を削除するために、正規表現を少し調整します。以下の手順に従ってください。
### 手順
1. **VS Codeで検索と置換を開く**
- `Ctrl + H`を押して、検索と置換ウィンドウを開きます。
2. **正規表現を入力する**
- 検索欄に以下の正規表現を入力します。
```regex
\d{2}\s\w{3}\s\d{4}\s\d{2}:\d{2}:\d{2}\s\+\d{7}
```
または、月の部分が省略されているパターンを考慮する場合、以下のようにします：
```regex
\b(?:\d{2}\s)?\w{3}\s\d{4}\s\d{2}:\d{2}:\d{2}\s\+\d{7}\b
```
- `\d{2}\s`: 日付部分（22のような2桁の数字とその後のスペース）にマッチ。省略可能なので`(?:\d{2}\s)?`のようにすることもできます。
- `\w{3}`: 月を表す3文字のアルファベット（Junなど）にマッチ。
- `\d{4}`: 4桁の年にマッチ。
- `\d{2}:\d{2}:\d{2}`: 時刻形式（HH:MM:SS）にマッチ。
- `\+\d{7}`: タイムゾーンオフセットに続く7桁の数字にマッチ。
3. **置換欄を空欄に**
- 置換欄を空欄にして、すべて置換をクリックします。
4. **形式に該当する文字列が削除されます**
### 注意点
- この正規表現は、指定された形式に厳密に一致する場合に動作します。実際のデータが少し異なる場合には、正規表現の調整が必要です。
- 各パターンが適切に認識されていることを確認してから、置換を実行してください。
これで、指定された形式の文字列をすべて削除できるはずです。
2つの正規表現が出てきたので、
今回は出力された2つを置換した。
すべて置換を押すと、完了。
これで「タグ」「URL」「日付」を削除し、
文字だけが残った。
最後に全選択（ctrl+A）し、
最下部の文字数を確認して完了。
◆問題点
この文字数は「下書き」や「予約投稿」が含まれる。
「公開中のみ」を絞って出力することはできない。
しかし、今現時点で書き上げた文字数
という意味では、
未公開分もすべて含むのは間違いではないと思う。
◆まとめ
エクスポート
→VScodeで読み込み
→置換でタグ、URL、日付を削除
→文字数確認し完了
タイトルや細かい記号が入ったままなので、
正確な文字数をするには、もう一手間必要。
しかしここからさらに手間加えるのであれば、
もうpythonをインストールし、
コードをコピーして処理した方が良い。
◆あとがき
ここまでの記事
-----
期間：67日
合計文字数：53,230字
合計記事数：114記事（公開中104記事）
-----
文字数が意外に少なかった。
「タイトル」や「■」や「つづく。」
が入ってしまっているので、
これでもまだ少し多い。
それも考慮すると、
大体52,000～53,000字前後
と言ったところ。
月平均26,000字くらい書いているので、
1年続ければ312,000字（26,000*12）
これくらい書けば、
少しは文章がうまくなるのかもしれない。
つづく。
■noteについてのアレコレはこちら
この記事が参加している募集
このサポートが日々の活力になります♪ 私も、より良い記事を書いていけるように頑張ります！