文本统计

到底什么算一个词

同一段文字问三个软件要字数，很容易得到三个答案。这不是 bug，而是定义问题。像 "state-of-the-art" 这样的连字符复合词，在排版者眼里是一个词，在朴素的切分器眼里是四个。"don't" 里的撇号不能拆词，而作为引号使用的撇号却应该拆。数字、网址和邮箱各自又需要不同的规则。

本工具把「词」定义为一串字母或数字，后面可以跟撇号再接字母。由于匹配是 Unicode 感知的，带重音的拉丁字母、希腊字母、西里尔字母和中日韩字符都被视为字母，而不会被悄悄丢弃。词与词之间的标点起分隔作用，因此 "well-known" 记作两个，"it's" 记作一个。重要的不是选了哪条规则，而是你知道规则是什么——这样你可以预测结果，而不是与它争论。

句子、段落和行

在没有语言模型的情况下，句子切分天然是启发式的。按句号、问号和感叹号切分对普通散文有效，遇到缩写则会以可预料的方式失败："Dr. Smith arrived at 9 a.m." 在朴素切分器看来像三句。做可读性分析时，请把句子数当作良好的估计值，而不是精确数字。

段落和行更机械，但彼此不同。行是以换行符分隔的内容，所以一个硬换行的文件行数很多、段落很少。段落是由一个或多个空行分隔的块，这与 Markdown 和多数编辑器的理解一致。对比这两个数字，可以迅速判断文本是不是带着硬换行过来的——粘贴进会自动重排的系统时，这一点很关键。

阅读时长与词频

阅读时长按每分钟 200 词估算，这是普通散文默读速度的常见均值。真实速度差异很大：带代码示例的技术材料更慢，熟悉的营销文案更快，手机上比桌面更慢。请把它用于相对比较，而不是对读者的承诺。

词频才是这个工具在编辑环节真正的价值所在。按次数排序会暴露无意识的重复——八百字里出现十一次的口头禅，以及你想写的主题是否真的是出现最多的名词。「忽略常见词」会移除冠词、介词、代词等封闭类虚词，否则它们会在任何语言的任何列表里霸占前排，却什么都说明不了。