中文文本的字数统计（不包括标点符号且考虑英文/数字序列）

#-*-coding=utf-8 -*-
"""
统计一遍中文文章的字数（不包括标点符号，考虑英文/数字序列（不拆分成当个字母或数字）
"""
import re
import jieba
c = "\\"
text = """然而，在参加string聚会或者出席典礼时，很多人会抱怨自己挑不出一件拿得出手的裙子。望着摆满了鞋子的鞋架，发觉自己花了这么多钱，却选不出一双满意的鞋子。梳妆台上摆满了化妆品，拿起来一看，已经过了保质期。联想电脑过了4年服役期后，老化明显，今天这个问题花400去修，明天那个问题花 300去换。
"""

pat = r"(?u)\w"
#统计会包含标点符号
print "包含标点符号，且未考虑英文和量词拆分的统计的长度：",len(text.decode('utf-8'))
#去掉标点符号后的统计
print "未考虑英文和量词拆分的统计的长度：",len(re.findall(pat,text.decode('utf-8')))

print re.findall(pat,text.decode('utf-8'))
"""
上面的统一没有考虑到英文单词和数量。比如`string`,实际是一个词，结果被拆分成字母，当成了6个字。400当成了3个字
下面的方法成功的解决了英文和数字的统计问题。
"""
#去掉标点符号后的text
print re.findall(r'(?u)\w+',text.decode('utf-8'))

text_len = 0

for text in re.findall(r'(?u)\w+',text.decode('utf-8')):
    #结巴分词不会把英文和量数分拆
    words = jieba.cut(text)
    for word in words:
        if re.compile('[a-zA-z0-9]+').search(word):
            '''如果是英文或数字序列，当成1个字'''
            length = 1
        else:
            '''中文继续对词拆分成字统计'''
            length = len(re.findall(r"(?u)\w",word))
        text_len += length
print "去掉标点符号，且不拆分英文数字序列统计的长度:",text_len