文本处理

字符统计

统计文本的字符数、单词数、行数等详细信息

输入文本
统计结果
基本统计
总字符数
0
字符数(不含空格)
0
单词数
0
行数
0
段落数
0
句子数
0
字符类型
大写字母
0
小写字母
0
数字
0
空格
0
Tab
0
换行符
0
标点符号
0
特殊字符
0
其他信息
最长行长度
0
平均行长度
0
平均单词长度
0

什么是字符统计?

字符统计是对文本进行量化分析的过程,用于了解文本的基本特征和结构。字符统计工具可以快速分析文本的各种统计信息,包括字符数、单词数、行数等基本统计,以及字符类型分布、平均长度等详细分析。

统计项目

  • 基本统计:总字符数、字符数(不含空格)、单词数、行数、段落数、句子数
  • 字符类型:大写字母、小写字母、数字、空格、Tab、换行符、标点符号、特殊字符
  • 其他信息:最长行长度、平均行长度、平均单词长度

使用场景

  • 文本分析:快速了解文本的基本特征
  • 字数统计:检查文章或文档的字数
  • 代码审查:统计代码行数和字符数
  • 内容优化:分析文本结构和分布
  • 数据验证:检查文本格式是否符合要求

字符统计把文本拆成可逐项核对的数字:UTF-16 码元意义上的字符数、按空白切分的单词数、行数、空行分段数、句末终止符数,以及 ASCII 大小写字母、数字、空白、标点、符号的分类计数。适合投稿前核对字数上限、比对译文长度、检查代码行宽分布。

所有长度都是 UTF-16 码元

面板上的每个长度都来自 JavaScript 字符串的 length,按 UTF-16 码元计数。挥手 emoji U+1F44B 以代理对存储,占 2 个长度却只是一个字符;用 e 加 U+0301 拼出的重音字母同样算 2。下面示例只有 30 个码点,这里显示 31。「不含空格」并不是独立测量,它只是对同一字符串再跑一次 replace(/\s/g, ""),因此恒等于总字符数减去空白数。平均行长度用总码元数除以行数再四舍五入,一个 emoji 就能把某行的平均值顶过整数。宣称「280 字符」的平台按码点算,含 emoji 的文本可能在这里合格、在那边仍被拒。

单词是按空白切出来的 token

工具先 trim(),然后按 /\s+/ 切分,这与 wc -w 的口径一致,和文字处理器对中日文做的分词完全是两回事:一段连续汉字里没有空白,所以「世界!」只是 1 个 token;被空格夹住的破折号也自成一个词;URL、邮箱、state-of-the-art 这类连写都只算 1 个;紧贴单词的标点不会被剥离,「Hello,」整体算一个 token。平均单词长度是「不含空格字符数 ÷ token 数」,所以中文段落会虚高到五点几,纯代码行则落在三到四之间——它反映的是排版密度,不是词汇长度。

分类计数互相重叠,而且只认 ASCII

八类字符是对原始字符串各自独立的 match() 结果,并非互斥分区。空白统计的是 \s:空格、Tab、换行、不换行空格 U+00A0、全角空格 U+3000 全都落进同一个计数,于是 Tab 与换行被重复计入。字母和数字只匹配 [A-Z]、[a-z]、[0-9],É 和全角 3 一律不算。标点是一份写死的字面量集合:ASCII 的 . , ! ? ; : - ( ) [ ] { } " ' 加上短破折号与长破折号,中文的 ,。! 从来没被统计进去。符号集合又包含 !、? 和反引号,因此「标点 + 符号」可以超过总字符数。句子数只数 [.!?] 的连续串,中文正文因此几乎总是 0。

实操示例

含 emoji 与 Tab 的两行文本

输入
Hello, 世界! 👋
Second	line — 123
输出
characters 31 | no-space 25 | words 7 | lines 2 | paragraphs 1 | sentences 1 | upper 2 | lower 13 | digits 3 | spaces 6 | tabs 1 | newlines 1 | punctuation 3 | special 1 | longest line 17 | avg line 16 | avg word 4

30 个可见字符在 UTF-16 下是 31 个码元(emoji 是代理对),在 UTF-8 下是 39 字节。7 个 token 里包含单独成词的破折号;6 个空白由 4 个空格、1 个 Tab、1 个换行组成;感叹号同时被计入标点和符号各一次;25 除以 7 得 3.57,四舍五入后平均单词长度为 4。

边界与常见误用

  • 输入既没有上限也没有防抖:文本框不设 maxlength,每个按键都会重跑全部计数,粘贴几 MB 文本后输入会明显卡顿;内容不做持久化,刷新即清空。
  • 码元不等于字节:上面那个 emoji 在这里算 2 个字符,UTF-8 下是 4 字节;短信 70/160 字节、字段字节上限这类场景要用字节计数器。
  • 单词数不做中文分词:你好世界 只算 1 个词,中文场景必须把单词数与字符数一起看,否则会严重低估篇幅。
  • 句子数只认 . ! ? 的连续串:以 。 结尾或没有句末标点的文本会显示 0,Hi!!! 只算 1 句。
  • 行数把末尾换行也算进去,多打一个回车就多一行;CRLF 文本每行都残留 U+000D,最长行长度会各多 1。

相关工具

出问题时先看这里

「每段我都回车换行了,段落数还是死死停在 1。」

原因分段靠的是 split(/\n\s*\n/),只有空行才算边界——一行里只剩空格或 Tab 也算空行,因为 \s* 把它们吃掉了。单个换行(Markdown 里把一段硬折行成几行时留下的正是它)永远切不开段落。

处理在每段末尾连按两次回车。改完回头看一眼总字符数:多一个换行就多 1 个字符,把 45 个单换行改成空行分隔,数字会从 3,812 变成 3,857。

「从网页上复制来的文章,字符数比我数出来的多几十个,怎么删空格都降不下去。」

原因两个数字都是直接从字符串取的,不可见字符照样算。JavaScript 的 \s 不认零宽空格 U+200B,也不认 U+200C、U+200D 和词连接符 U+2060——网页排版恰恰爱拿它们控制断行位置。这些码点又不在字母、数字、标点、符号任何一张表里,于是它们只把总字符数与不含空格往上推,其它卡片一动不动。

处理贴进来之前先对原文跑一遍 text.replace(/[\u200B-\u200D\u2060]/g, ""),或者在编辑器里把这几个码点查找替换掉。删空白对它们无效。

「我在框里手敲缩进,Tab 卡片一直是 0。」

原因页面上没有绑任何 keydown 处理,而裸的 <textarea> 本身不插入制表符:Tab 被浏览器拿去切换焦点,这个字符压根没进字符串。卡片报的是实情——文本里确实没有 U+0009。

处理别手敲缩进,整段粘贴进来,粘贴的 Tab 会被保留并计入卡片。非要手打就用空格,并把那个数字理解成缩进宽度,而不是「用了几个 Tab」。

「最长行预览看着像被截掉一半,是不是统计漏了?」

原因预览是一块高 100px、overflow: auto、word-break: break-all 的容器:超长行在里面折行,后面的内容藏在滚动条后面。最长行长度量的是原封不动的那一行,跟框里显示多少无关;两行一样长时保留先出现的那条,因为 reduce 只在严格更长时才替换。

处理数字只看最长行长度,要看全就把预览内容整段复制出来。压缩过的打包文件本来就只有一行,那「一行」就是整个文件。

「贴一段 JS 进来,特殊字符好几百个,我一个符号都没打。」

原因特殊字符是一张写死的表——! @ # $ % ^ & * + = | \ / < > ? ~ 加反引号。在 HTML 和 JS 里这些大多是普通语法:标签的尖括号、路径与除法的斜杠、赋值的 =、运算符和三元里的 ! ?。下划线两张表都没收,snake_case 这类名字在标点和特殊字符里都是 0。

处理把这个数字当成「语法符号有多少个」,不要当作隐藏字符探测。真要抓异常字符,按码点范围过滤,别盯这张卡片。

一个具体场景

46 条更新日志塞进 4,000 字符的表单

一份 46 条、每条以句点结尾的更新日志要贴进正文上限 4,000 字符的表单。贴进面板显示 3,812——其中 45 个是条目之间的换行——还剩 188。另外两个数字看着不对,其实都对:句子数 92 而不是 46,因为 23 条里带了 v2.1.0 这样的版本号,每个版本号的两个点各自起一段 [.!?];段落数是 1,因为条目之间只有一个换行,切分只认空行。若目标渲染器要按空行分段,就得在每两条之间补一个空行,代价是 45 个字符,余额掉到 143——只够再加一条 83 字的条目,不够两条。若单换行清单渲染出来照样能读,这 188 字符就拿去加两条新条目。

常见问题

字数统计用的是什么口径?
英文按空格分词计"词"(words),中文按字符计"字"(characters),两者都需要:投稿平台常限制英文词数,中文平台限制字符数。工具同时给出含空格/不含空格字符数、段落数、句子数、行数,对应不同平台的要求。
阅读时间是怎么估算的?
按平均阅读速度折算:英文约每分钟 200–250 词,中文约每分钟 300–500 字。工具按保守值估算并四舍五入到整分钟——这是博客和文档平台通用的做法,仅供读者参考。
SEO 写作应该关注哪些统计指标?
关注四项:段落数和平均段落长度(可读性,移动端以 3-4 行一段为宜)、句子长度(超过 25 词的句子比例)、关键词密度(自然出现,不堆砌)、总字数(不同搜索意图有不同的理想长度,但深度内容普遍 1000+ 词)。

内容复核: