文本统计

什么是文本统计工具？#

文本统计工具读进一段文字，告诉你它里面到底装了什么：多少字符、多少词、多少句、占多少字节、读者大约要花几分钟读完。这件事听起来很简单，直到你被某个限制卡住——一条动态多了一个字符超限、一段 meta 描述悄悄超过了 160 字节、一个输入框的 maxlength 其实按 UTF-8 字节算而不是按可见字符算、一篇文章的”2 分钟阅读”标签其实算错了。

真正麻烦的是”一个词”这件事并不通用。英文用空格分词，但中文、日文、泰文不分——你好世界 是 4 个字符、4 个词，中间一个空格都没有。如果随手写一个 .split(' ')，这整串会被算成 1 个词。本工具对 CJK 汉字、平假名、片假名、泰文按字符逐个计数，对拉丁、西里尔、希腊、天城文、韩文按空格分隔的词来数，所以跨语种的词数都站得住脚。字节数走的是真正的 UTF-8 编码（不是 string.length），这才是一个服务器或数据库列宽真正在意的东西。

全部在浏览器里跑——没有后端，不上传任何内容。

怎么使用#

1. 在左侧 输入 框里输入或粘贴文字。框支持任意语种，会保留换行。
2. 想看数字怎么动，点 示例 加载一段现成文字；想清空，点 清除。
3. 看右侧面板。八行数据会随你输入实时变化：
   • 字符数 —— 含空格和换行的总字符数。
   • 字符数（不含空格） —— 同上，但扣掉所有空白字符。
   • 字节数 —— UTF-8 字节长度，也就是数据库 VARCHAR(n) 或 HTTP 头限制真正看到的数字。
   • 词数 —— 按语种分别处理（CJK/假名/泰文按字符计，其余按空格分词）。
   • 行数 —— 按换行符分隔的行。
   • 句数 —— 按跨语种的句末符号切分（. ! ?，外加中文的 。！？ 和阿拉伯文的 ؟۔）。
   • 段落数 —— 用空行隔开的块。
   • 阅读时间 —— 词数除以约 200 词/分钟，向上取整到至少 1 分钟。

主要特性#

• 按语种分词计数。 CJK 汉字、平假名、片假名、泰文每个字符算一个词；拉丁、西里尔、希腊、天城文、韩文按空格分隔的词来数。一句中英混排的文字也能给出合理总数，而不是数崩。
• 真正的 UTF-8 字节数。 你好 是 6 字节，不是 2——字节数反映的是存储和传输的真实开销。
• 跨语种断句。 识别中文和阿拉伯文的句末符号，所以 今天天气很好。明天见。 会被算成两句，而不是一句。
• 实时更新，无需点按钮。 每敲一个键数字就重算，不存在”忘记点生成”这回事。
• 全程在本机处理。 粘进来的文字从不离开本页——没有请求、没有日志、没有后端。

实例演示#

把那句经典的英文全字母句贴进来：

The quick brown fox jumps over the lazy dog.

面板报出：

• 字符数：44（含句末的句号和 8 个空格）
• 字符数（不含空格）：36
• 字节数：44（每个字符都是 ASCII，字节数正好等于字符数）
• 词数：9
• 行数：1
• 句数：1
• 段落数：1
• 阅读时间：1 分钟（9 个词远不到 200，但计数器会向下取整到至少 1 分钟，避免出现无意义的”0 分钟”）

换成中文 你好世界。，词数变成 4（每个汉字算一个），而字节数跳到 13——四个 3 字节字符加一个 1 字节的句号。“4 个字符”和”13 字节”之间的这道鸿沟，正是这个工具要替你提前暴露的那种意外，免得它在表单提交时才冒出来坑你。

常见问题#

为什么字节数比字符数大这么多？#

因为 UTF-8 用多个字节编码非 ASCII 字符：基本拉丁字母 1 字节，拉丁扩展（à、ñ、ç）2 字节，大多数 CJK 汉字和天城文 3 字节，emoji 和辅助平面字符 4 字节。按字节配额限流的表单和数据库看到的是那个更大的数字，所以本工具按同样的方式报字节数。

我这段中文的词数感觉偏高，对吗？#

多半是对的。CJK 文字不分词，按字符计数是约定俗成、可复现的衡量方式，跟大多数编辑器和文字处理软件报 CJK 长度的口径一致。如果你要的是语言学意义上的分词而不是字符计数，/zh-CN/text/word-frequency/ 工具的 CJK 模式用浏览器的分词器按真正的词边界来切。

“阅读时间”按多快的速度算？#

大约 200 词/分钟，这是成年人默读普通文字时一个被广泛引用的平均值。它只是个粗略估计——技术文档、代码或外语都会更慢。这个值总是向上取整到至少 1 分钟，免得一小段文字显示出一个没意义的”0 分钟”。

代码片段里的词也算得跟正文一样吗？#

是的——像 getUserById 这种标识符会被当成一个词，因为它里面没有空格也没有标点。如果你想让 getUserById 被算成三个词，先用 /zh-CN/text/transform/ 工具的命名转换把它拆开。