推荐开源项目:reading_time — 智能阅读时间估计器
在信息爆炸的时代,估算一篇文章的阅读时间成为了提升用户体验的关键。这便是reading_time的作用所在。这是一个基于Liquid模板语言的过滤器插件,能够智能地计算HTML文本中的单词数量,并预测阅读完整篇文章所需的时间。
安装与使用
安装reading_time非常简单,只需要通过RubyGems运行命令gem install liquid_reading_time。如果你正在使用Jekyll,可参照Jekyll文档来安装插件。这个插件依赖于Nokogiri,因此手动安装时别忘了添加这个依赖。
在实际使用中,你可以利用两个提供的函数:
-
reading_time这个函数会返回一个整数,表示阅读输入文本所需的分钟数。例如,在Jekyll的布局文件中,可以这样使用:{% capture time %}{{ content | reading_time }}{% endcapture %} <p>这篇文章大约需要{{ time }}分钟阅读。</p>结合pluralize过滤器,还可以处理单复数形式:
<p>这篇文章大约需要{{ content | reading_time | pluralize: "分钟" }}阅读。</p> -
count_words此函数则返回输入文本中的单词总数,同样接受HTML作为输入。
精准计时与智能忽略
reading_time和count_words都试图以最聪明的方式计算单词。它们不会在以下HTML元素内部计数:area, audio, canvas, code, embed, footer, form, img, map, math, nav, object, pre, script, svg, table, track, 和 video。这种设计旨在避免那些非正文部分的词汇影响到总数。
该插件默认的阅读速度为每分钟270个单词,这个值基于一般人的阅读速率。
作者与版本历史
该项目由Benjamin Esham创建,并托管在GitHub上,欢迎提交Pull Request。
版本更新
- v1.1.3 (2017-07-19): 更新了依赖,表明插件兼容Liquid 4。
- v1.1.2 (2015-03-07): 改进了单词分割规则,增加了单元测试,并支持Liquid 3.x。
- 更多版本信息,请参考项目仓库的历史记录。
许可证
reading_time遵循ISC许可证,详细信息可在LICENSE.md文件中查看。
总之,无论你是个人博客作者还是企业网站开发者,reading_time都是一个值得采用的工具,它将帮助你的读者更好地管理他们的时间,提高他们的浏览体验。现在就尝试集成并享受更智能的阅读统计吧!
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00