HTML文本词频统计功能故障：Chai测试特定用例未通过求解决

一、先确认有效文本提取的准确性 #

首先得保证extractHTMLContent真的把script标签和HTML注释彻底清掉了，这一步出错的话后续统计全白搭：

• 移除script标签用正则：<script[^>]*>[\s\S]*?</script>，必须用非贪婪匹配（*?），不然会把script标签后面的所有内容都吞掉
• 移除HTML注释用正则：<!--[\s\S]*?-->，同样用非贪婪匹配避免误删正常内容
• 测试时直接打印提取后的文本，确认没有残留的script代码或注释内容

二、修复countOccurence的正则逻辑 #

你遇到的两个测试用例问题，核心是正则的边界匹配和特殊字符转义没做好：

1. 单个单词（如'clock'）统计错误 #

• 问题根源：如果用了/clock/g这种无边界的正则，会把包含clock的长单词（比如clockwise）也算作匹配结果，导致返回非0
• 优化方案：用自定义边界代替原生\b（\b对带撇号的单词兼容性差），比如匹配前后为空白、引号、撇号或字符串首尾：

  // 匹配独立单词的正则
  const regex = new RegExp(`(?:^|\\s|['"])clock(?:$|\\s|['"])`, 'gi');
  

  这样只会统计独立出现的clock，不会误匹配包含它的其他单词

2. 带特殊字符的句子统计错误 #

• 问题根源：待匹配文本中的特殊字符（如撇号'、句号.）没有转义，被当作正则元字符处理，导致无法精确匹配
• 优化方案：
  1. 先写一个正则特殊字符转义函数：

     function escapeRegExp(str) {
       return str.replace(/[.*+?^${}()|[\]\\]/g, '\\$&');
     }
     

  2. 根据测试要求构建正则：
     • 如果要匹配独立短语（要求短语前后是分隔符或字符串首尾）：

       function countOccurence(text, target) {
         const escapedTarget = escapeRegExp(target);
         const regex = new RegExp(`(?:^|\\W)(${escapedTarget})(?:$|\\W)`, 'gi');
         const matches = text.match(regex) || [];
         return matches.length;
       }
       

     • 如果只是精确子串匹配（不需要独立短语），直接用转义后的字符串构建全局正则即可

三、额外注意事项 #

• HTML实体处理：如果提取的文本里有'这类实体字符，要转换为普通撇号，否则匹配带撇号的目标文本时会失败
• 大小写敏感：确认测试用例是否忽略大小写，正则需要加i标志就加上
• 分步测试：先单独验证extractHTMLContent的输出，再单独测试countOccurence的逻辑，定位问题更快

内容的提问来源于stack exchange，提问作者Steviggio