Contar palabras usando expresiones regulares

Gracias a que Microsiervos (en particular Nacho) ha puesto un enlace a mi blog en una de sus entradas, lo que cuento sobre las expresiones regulares ha sido de lo más leido en display: NONE. [Actualizado: según me cuenta Mario, él visitó la página gracias a Denker, cuando puse la entrada aún no había visto las estadísticas y la verdad es que también tengo que darle las gracias a Denker y a Error 500 por haberme puesto en sus blogs]. Supongo que debido a ello, Caso Patologico me pregunta en un comentario si sé de algún script que cuente palabras. Pues sin irnos del tema, voy a explicar como lo haría yo usando las expresiones regulares.
En el ejemplo que voy a mostrar, lo que hago es pasar a una función como parámetro un objeto HTML (en este caso un DIV), obtendré el código HTML usando la propiedad innerHTML, después quitaré las etiquetas HTML (<...>) y por último contaré las palabras.
Quizás fuera más sencillo pasar directamente el texto que quiero tratar, pero pasando el objeto también muestro como quitar etiquetas HTML usando las expresiones regulares.
El código sería el siguiente:

    function contarPalabras(obj) {         var txt = obj.innerHTML;                  // Borro todo aquello que esté         // contenido entre < y >         txt = txt.replace(/<(\/|\w|\s|=|"|\n)*>/g, "");                  // Almaceno las coincidencias con palabras         // Al hacer copy/paste debeis ponerlo todo en una línea         var palabras = txt.match(/(\w|á|é|í|ó|ú|ü|ñ|Ñ|Á|É|Í|Ó|Ú)+             [\s\n\r\t,\.;:"'\(\)\{\}\[\]$]*/g);         alert(palabras.length);     }

Así, a simple vista, puede ser fácil no comprender mucho, pero si nos detenemos un poco a intentar entender el contenido de las expresiones regulares, veremos que no es tan difícil.

/<(\/|\w|\s|=|"|\n)*>/g

Esta expresión regular es la que se encarga de reconocer las etiquetas HTML:

• Primero nos encontramos con un <, que es por lo que empieza cualquier etiqueta HTML
• Después nos encontramos con un conjunto de caracteres entre paréntesis y separados por |, esto quiere decir que el carácter siguiente está dentro de esos posibles valores:
  • \/ representa a /, es necesario escaparla porque tiene significado propio.
  • \w representa cualquier valor alfanumérico
  • \s representa cualquier el espacio en blanco
  • \n representa el retorno de carro
  • " y = se representan a ellos mismos
• El conjunto anterior está seguido por *, que indica que puede o no aparecer, y en ese caso, aparecer tantas veces como quiera
• Y por último encontramos un > que es el carácter final de las etiquetas HTML
• La g al final indica que se hace una búsqueda global, no finaliza al encontrar el primer caso

Al final lo que tenemos es una expresión regular que detecta todo conjunto de palabras (con números), espacios, comillas, iguales y saltos de línea encerrados entre < y >.
La siguiente expresión regular es la que detecta las palabras y si que nos puede parecer complicada de entender, pero es más sencilla aún que la anterior. Vamos a usar la funcion match la cual nos devuelve una lista con las coincidencias de la expresión regular, y viendo el número de elementos que tiene la lista, sabremos cuantas palabras hay.

/(\w|á|é|í|ó|ú|ü|ñ|Ñ|Á|É|Í|Ó|Ú)+[\s\n\r\t,\.;:"'\(\)\{\}\[\]$]*/g

Esta expresión regular encuentra las palabras seguidas por caracteres que separan palabras (espacios, signos de puntuación, ...):

• Primeramente hay un grupo de caracteres entre paréntesis, seguido de un + (que indica que se repite una vez o varias). Realmente solo debería aparecer el carácter \w que representa a cualquier carácter alfanumérico, pero no sé por qué (quizás solo en Firefox) no reconoce las vocales acentuadas, ...
• Después hay un conjunto de caracteres separadores de palabras, incluido el final de cadena ($)

Por lo que reconocerá palabras seguidas de caracteres separadores, separando así las palabras.