字数统计:分清词数、选中文本与输入限制
Admin ·
输入、粘贴或打开纯文本,选择文本语言,即可查看实时词数和字符数。ToolMellow 还提供句数、段落数、硬换行行数、UTF-8 字节数、词组频次,以及阅读和朗读时间估算。需要单独检查一段内容时,选中它即可。
先确定你的任务需要哪种统计。可见字符、输入长度限制和下载文件的字节数是不同的量。选中文本会改变分析范围,复制文本和下载仍然使用编辑器全文。清空或离开页面前,请先保存需要的文本。
先选定文本与范围,再看统计结果
编辑停顿片刻后,计数器便开始分析。可以先点“试用示例”熟悉控件,再换成自己的文本。文本语言可以与网站界面语言不同,比较结果前先检查这项设置。
如果提交作业或稿件时有指定词数限制,应以接收方编辑器或服务的统计为准。文档软件的统计范围可能不同于粘贴出来的纯文本。Google 文档和 Microsoft Word 也提供选中部分的计数方法;把文档正文复制到这里,并不会重建原文档的结构。
- 输入、粘贴或打开 UTF-8 文本文件。
- 选择要分析的文本语言。
- 查看总数,或选中一段单独统计。
- 需要时展开“句子与词的长度”,并查看词组表。
- 按自己的任务设置阅读、朗读速度和目标词数。
- 清空或离开页面前,复制或下载全文。
词数取决于所选语言的分词边界
计数器采用浏览器 Intl.Segmenter 针对所选文本语言给出的词边界。被标记为词的片段会计入;仅由字母、汉字及组合符号组成,且至少含一个字母或汉字的片段,即使被浏览器标记为非词,也会计入。这个补充规则不会把单独的表情或标点算成词。
只按空格拆分会得到不同结果,中文等书写系统尤其如此。中文词数不等于汉字总数。连字符、撇号、混合语言和浏览器的分段数据也会影响边界。比较两次统计时,应保持文本、选区和文本语言一致。
分清可见字符、UTF-16 代码单元与 UTF-8 字节
“字符数”按字素簇统计,包含空白。因此,带组合重音的字母或连接起来的家庭表情,可能只占一个显示字符。“不含空白”会排除完全由 JavaScript 空白字符构成的字素簇,其中不止普通空格;它不会移除所有不可见码点。
输入限制以 UTF-16 代码单元计算,字节数则采用 UTF-8 编码,两者都不同于字素簇数。下面的例子说明,看起来很短的文本,为什么可能占用更多输入单元或字节。
| 文本示例 | 字素簇 / UTF-16 代码单元 | UTF-8 字节 |
|---|---|---|
A | 1 / 1 | 1 |
é(e 后接组合重音符) | 1 / 2 | 3 |
🌿 | 1 / 2 | 4 |
👨👩👧👦 | 1 / 11 | 25 |
MDN:Intl.Segmenter 与按语言分段MDN:String.length 与 UTF-16 代码单元MDN:TextEncoder 与 UTF-8 字节
十一种文本语言可独立于界面选择
文本语言包括英语、简体中文、印地语、西班牙语、法语、阿拉伯语、孟加拉语、葡萄牙语、印度尼西亚语、乌尔都语和德语。更改这项设置会改变分析语言和编辑器的语言属性,不会翻译你的文本。
所选语言还决定词组分析中按语言转换为小写的键,以及使用哪份小型常用词表。工具不会自动识别每一段文字的语言。对于混合文本,选择最符合待检查段落的语言,并把跨工具差异视为计数约定的差异。
选区改变统计范围,导出仍保留全文
非空选区会成为分析输入,即使它只包含空白。例如,编辑器中虽有长文,选中一个空格时仍可能显示零词、一个字符。取消选区即可恢复全文分析。
词数、频次、长度统计、时间估算和目标进度都会跟随选区。“复制文本”和“下载”仍使用编辑器全文。如需只保存摘录,请用浏览器平常的复制命令复制选区,或另行整理摘录;工具的导出按钮不会切换为仅导出选区。
| 控件或结果 | 存在非空选区时 | 没有选区时 |
|---|---|---|
| 计数与长度统计 | 选中段落 | 编辑器全文 |
| 词组频次 | 选中段落 | 编辑器全文 |
| 时间估算与目标进度 | 选中段落 | 编辑器全文 |
| 复制文本与下载 | 编辑器全文 | 编辑器全文 |
句子、段落与硬换行行数各有规则
句子采用所选语言的句子分段规则,且片段至少含一个字母、汉字或数字,才计入句数。段落会先去掉输入首尾空白,再按基于 LF 的空行组拆分非空文本。编辑器变窄造成的自动折行不会增加硬换行行数。
“行数”识别 LF、CRLF 和 CR 硬换行,末尾的硬换行也会增加一行。只用 CR 表示的空行,不会像基于 LF 的空行组那样拆分段落。下表用转义记法显示行尾差别,表示的是实际换行,并非手动输入的反斜杠字符。
| 纯文本结构 | 段落数 | 硬换行行数 |
|---|---|---|
A.\n\nB.,使用 LF 换行 | 2 | 3 |
A.\r\n\r\nB.,使用 CRLF 换行 | 2 | 3 |
A.\r\rB.,仅使用 CR 换行 | 1 | 3 |
| 一段文本仅因显示宽度折行,没有硬换行 | 1 | 1 |
读懂词组百分比的原始分母
可以选择一词、两词或三词词组。候选序列只在各自句子内生成;标点不是词元,因此序列可以跨过同一句内的标点。词元会进行 NFC 规范化,并按所选语言转为小写,不做词干提取。不同词数采用这些规范化词元计算,不受常用词筛选影响。
将“文本语言”设为英语时,The green leaf. The green leaf! 会产生四个候选两词序列。启用排除常用词后,the green 不显示在排名中,green leaf 出现两次,占 50.0%;分母仍为四。表格最多显示二十个词组,先按频次、再按语言比较规则排序,百分比保留一位小数。这些比例描述当前文本,并非搜索排名评分。
长度统计描述的是当前分析段落
展开“句子与词的长度”,可以查看按计入词数确定的最长句、最短句,以及平均每句词数、平均每句字符数和平均每词字符数。这些数值跟随当前选区和文本语言。
只有含已计入词元的句子才参与这些长度统计。句子字符长度去掉首尾空白后,仍包括内部空白和标点。词的字符长度使用转小写之前原始词元的字素簇。平均值最多显示两位小数;面板不会评定阅读等级或写作质量。
根据用途设置阅读与朗读速度
阅读速度初始为每分钟 200 词,朗读速度为每分钟 130 词,两项均支持 50 至 1000。估算秒数等于词数乘 60,再除以对应速度,并向上取整到整秒。超出范围时,分析会回退到该项的默认速度。
按默认速度,1200 个计入词对应六分钟阅读、九分十四秒朗读。选中一段文本时,时间只针对该段。规划阅读或发言时,可依据自身经验调整速度;这种计算不测量理解能力、语言水平、停顿或表达方式。
目标词数只帮助规划,不改写文本
“目标词数”初始为 500,可设置为零至 1000000;零会隐藏目标面板。进度使用当前计入的词数,因此选中一段时也只跟随该选区。
达到或超过目标后,进度条保持满格,剩余词数保持为零,实际词数仍照常显示。目标只是规划辅助,不会缩短、补全或修改段落。
按原文查找替换,并留意当前统计选区
展开“在输入中查找和替换”,输入要查找的确切文本,并选择是否区分大小写。句点就是句点,不是正则表达式通配符;替换内容中的美元符号也按原文处理。“查找下一个”会选中匹配项,因此也可能使计数器切换到选区统计。
“全部替换”作用于整个编辑器,即使此前选中了某段。替换结果必须不超过一百万个 UTF-16 代码单元;若展开后超限,替换会被拒绝,原输入保留。替换成功后,只要先前快照仍在历史预算内,就可以撤销。
历史记录有上限,清空前先保存
页面保持打开时,“撤销”和“重做”可恢复先前编辑。撤销快捷键是 Ctrl/Cmd+Z,重做是 Ctrl/Cmd+Shift+Z 或 Ctrl+Y。连续编辑可能合并为一步,因此一步历史不一定对应一次按键。
历史最多保留二十个旧快照,过去与未来快照合计最多四百万个 UTF-16 代码单元,当前输入另算。达到预算时,较旧状态可能被丢弃。“清空”会删除文本及其撤销、重做历史。页面历史不是自动保存,也不保证导航或刷新后恢复。
文件字节数与解码后的文本长度要分别检查
“打开文本文件”将一个文件按 UTF-8 文本读取,通过检查后替换编辑器内容。文件选择器提供文本文件和 TXT、JSON、HTML、CSS 等常见文本扩展名。标记仍按原文计数;工具不会渲染 HTML,也不会解析 PDF 或 DOCX 来还原文档布局。
文件必须严格小于 4000000 字节,解码后的字符串最多为 1000000 个 UTF-16 代码单元。1000001 个 ASCII 字符的文件仅约一兆字节,却已经超过解码输入上限。拒绝导入时保留原文;导入成功后,只要原状态仍在历史预算内,就可以撤销。
| 限制 | 允许大小 | 衡量对象 |
|---|---|---|
| 当前输入 | 最多 1000000 个 UTF-16 代码单元 | 字符串长度上限,不是一百万个字素簇 |
| 导入文件 | 严格小于 4000000 字节 | 解码前的文件字节数 |
| 解码后的导入文本 | 最多 1000000 个 UTF-16 代码单元 | 解码文本,与文件字节数分开检查 |
| 旧历史记录 | 20 个快照,合计 4000000 个 UTF-16 代码单元 | 过去与未来快照,不含当前输入 |
完整接收可容纳的粘贴,并检查导出文本
粘贴后若会超过输入上限,整次粘贴会被拒绝并显示限制提示,编辑器原文保留。长度检查会减去被替换的选区,并把粘贴内容中的 CRLF 或 CR 换行按 LF 计算。因此,相同内容追加时可能超限,替换选区时却可以容纳。普通键入也受编辑器原生输入限制约束。
“复制文本”把编辑器全文写入剪贴板;无法访问剪贴板时,页面会提示选中文本手动复制。“下载”将全文保存为 UTF-8 纯文本 toolmellow-result.txt,不导出统计数据、词组表或格式化文档。内容必须精确时,请打开下载的文本核对。
本地处理、保存与文档提取是不同步骤
计数、编辑及纯文本导入导出都在你的设备上处理文本,页面及其处理程序、库资源仍可能通过网络加载。本地分析不等于安装好的离线应用,编辑器也不提供自动保存。
分析由本地处理程序执行。新编辑或分析选项会使旧任务失效,“清空”会丢弃当前文本与分析。整个任务含处理程序启动在内有 60 秒期限。若浏览器无法启动处理程序或任务超时,可尝试缩短文本或使用兼容浏览器。
另一个已校对 PDF 文本流程可以在同一标签页内将文本交给此计数器。传入的是待检查的文本,并不为这里增加直接上传 PDF、OCR 或文档布局计数功能。使用 PDF 或 Word 来源时,请先提取或复制需要的文本,核对纳入的内容,再选择计数语言与范围。
常见问题
为什么不同工具的字数不同?
先检查两边是否使用相同文本、选区和文本语言。计数规则与浏览器数据会影响词边界;文档编辑器统计的文档范围也可能不同于复制到这里的纯文本。有规定提交上限时,以接收系统的统计为准。
一个表情或带组合符号的字母会只算一个字符吗?
“字符数”使用字素簇,因此带组合重音的字母或连接表情序列可能只形成一个显示字符,同时仍占多个 UTF-16 代码单元和 UTF-8 字节。一百万单元输入限制与可见字符总数是两回事。
选中文本后复制和下载的是全文吗?
工具的“复制文本”和“下载”始终使用编辑器全文。选区只改变计数、频次、长度、时间和目标进度。只需选区时,请使用浏览器平常的选区复制命令。
可以选择哪些文本语言?
英语、简体中文、印地语、西班牙语、法语、阿拉伯语、孟加拉语、葡萄牙语、印度尼西亚语、乌尔都语和德语。文本语言独立于界面语言,也不会翻译文本。
一词、两词和三词词组的百分比怎么算?
每句提供指定长度的候选词元序列,所有序列先进入分母,再由可选的常用词筛选从显示排名中移除词组。键采用 NFC 规范化和按语言转小写;最多显示二十行,不做词干提取。
阅读和朗读速度如何影响时间估算?
每项估算等于计入词数乘 60、除以对应速度,再向上取整到整秒。阅读默认每分钟 200 词,朗读 130 词,支持 50 至 1000。这些算术估算不测量理解能力或表达效果。
为什么很小的文本文件也会超限?
文件字节数与解码后的 UTF-16 单元有不同上限:文件须少于 4000000 字节,解码后最多 1000000 单元。1000001 字节的 ASCII 文本文件能通过字节检查,却会超过解码输入上限。
能直接统计 PDF 或 Word 文件吗?
“打开文本文件”不解析 PDF 或 DOCX。请先提取或复制所需纯文本。另一个已校对 PDF 文本流程可在同一标签页内传入文本,不会为计数器增加 PDF 布局分析或 OCR。
清空或离开后,文本会保存吗?
编辑内容和有上限的撤销、重做历史仅保留在页面内存。“清空”会删除文本及其历史;刷新或离开页面可能丢失工作。请事先复制或下载,没有自动保存或持久恢复功能。
粘贴内容超过输入限制会怎样?
整次粘贴会被拒绝并显示提示,编辑器原文保留。检查使用替换选区、并把粘贴的 CRLF、CR 换行为 LF 后的最终 UTF-16 长度。能容纳的选区替换仍可执行。
段落数和行数为什么不同?
硬换行行数按 LF、CRLF 或 CR 拆分,末尾换行也增加一行;段落则在去掉首尾空白后按基于 LF 的空行组拆分。仅 CR 空行组规则不同。视觉自动折行既不增加硬换行行数,也不生成空行段落。
写法不同的重音词为什么会合并到一个频次行?
频次键采用 NFC 规范化并按所选语言转为小写,所以等价的组合、分解重音形式及大小写变体可以共用一个键。分析不会改写编辑器文本,词长仍使用原始字素簇。
可以关闭目标词数吗?
将“目标词数”设为零即可隐藏。正目标跟随当前分析词数,也包括选区词数。进度不超过目标,剩余词数不低于零,实际词数仍显示。
下载的文件包含什么?
“下载”将编辑器全文以 UTF-8 纯文本保存为 toolmellow-result.txt,不保存统计报告、词组表或原文档格式。选区不会缩小导出范围。