字数统计

为什么"字数"没有一个统一答案

同一段话,交给五个工具去数,可能得到五个不同的数字。这不是谁有 bug,而是定义问题;搞清楚分歧从哪来,就不会在文档软件和投稿系统的数字对不上时慌神。

分歧出在这些地方:带连字符的词算一个还是几个、数字算不算词、"don't"算一个还是两个、文件路径和网址算几个词、以及工具怎么对待混在正文里的 Markdown 或 HTML 标记。每个工具划的线都不一样。Microsoft Word 和 Google Docs 在某些标点上就已经不同;而任何"按空格切分"的脚本,会把「state-of-the-art」算一个词,把「state of the art」算四个。

真正要紧的是:你的截止线是按谁的数字画的。如果投稿表单自己有限制,就以表单的数字为准。这个工具适合起草阶段用、适合发现严重超标,最终数字请在你真正提交的那个系统里核对。

中文的字数必须单独算,而且只能单独算

这是字数工具里最大的错误来源,而绝大多数工具错得一模一样。英文用空格分词,按空格切就能用。中文、日文、韩文根本不在词之间加空格 —— 按空格切分的计数器,会把一整段中文看成一个巨大的"词"。这不是"略有偏差",这是完全无意义的数字。

这里用浏览器内置的 `Intl.Segmenter` 做分词:它按语言真实的词边界规则切分,而不是靠空格猜。中文能切出真正的词。同时「汉字数」是单独一行 —— 因为对中文来说,字数通常才是那个要紧的数字:800 字的文章是按字算的,不是按词算的。

这两个数字不是可以互相替代的,它们回答的是不同问题。限制是英文意义上的「800 words」就按词数看;限制是「800 字」就按字符数看。中文平台说「字数」,指的就是字符数。

阅读时长也是按语言分开算的,原因相同:中文默读大约每分钟 400–500 字,英文默读大约每分钟 200–250 词,把两者平均起来,对哪种语言都是错的。

阅读时长是估算值,而且必须当成估算值

这里用的数值 —— 中文默读约每分钟 450 字,英文默读约每分钟 220 词,朗读约每分钟 150 词 —— 取自阅读研究给出的区间的中段。它们是合理的默认值,不是对你这段文字的实际测量。

真实速度取决于字数以外的一大堆因素。一整页密集的法律条款,或者满是陌生术语的技术文档,花的时间可能是同样字数的熟悉叙事的三倍。表格、代码和公式的读法又是另一回事,而这个计数器把它们当普通文字处理。屏幕大小也有影响:手机上读得比在电脑前慢。

所以把这个数字当成一次体检,而不是一个事实。如果讲稿要填满五分钟的时段,显示 4.7 分钟就意味着很紧、该删了;显示 2.1 分钟意味着还有余地。对一篇博客来说,它主要用来自查:你写的是有分量的东西,还是单薄的东西。

关键词密度能说明什么、不能说明什么

高频词表格是一面镜子:它显示你的文章实际在讲什么,而有时候这并不是你以为的。经常有人发现,自己心里的主题词只出现了两次,而一句随手写下的话出现了十一次。

它不能衡量 SEO 质量 —— 这一点值得说重一点,因为相反的说法到处都是。关键词密度在很多年前就已经不是有意义的排名因素了,搜索引擎看的是语义和上下文,不是重复次数。为了凑一个百分比去写,只会让文字更难读,却不会让它排得更高;而明显的堆砌是减分项,不是加分项。

真正有用的读法是这几种。本该反复出现的词只出现一次,通常说明你跑题了,或者同一个概念你换了三种说法 —— 读者不会把它们联系起来。某个词出现得远多于主题所需,说明你在过度解释一件次要的事。而一大串只出现一次的词,说明这篇东西想讲的事情太多了。

关于数字本身还有一点要说明:表格过滤掉了一批高频虚词,所以「的」「是」「了」不会出现在榜首。这个过滤表只针对英文,所以在中文文本里你会看到「的」照常出现 —— 这是刻意的,因为不同语言的虚词表不同,与其塞一张不完整的表,不如让你自己看到。占比那一列是按"过滤后剩下的词"算的,不是按你的总字数,它的意思是"在列出的这些词里占多少",不是"占全文多少"。

除了凑字数,它还能干什么

几个用起来确实顺手的地方,都是基于这些数字擅长的事。

• 写搜索摘要:选 160 字符这个目标,把摘要压在里面 —— 搜索引擎大约在这个位置截断,半句话被截掉在结果页里显得很不用心。
• 写网页标题:60 字符是搜索引擎通常完整显示的长度。超长不会被惩罚,只是会被截断,而且往往是拦腰截断。
• 写讲稿和分享:看朗读时长,不是阅读时长。它决定的是"提前讲完"还是"被主持人打断"。
• 有硬性字符上限的摘要、简介:上限对照一律按字符数算,和投稿系统、社交平台实际执行的口径一致 —— X 的 280、短信的 160、搜索摘要的 160,平台自己数的都是字符,不是词。唯一的差别是 X 对中文按两个字符计,这里不做这种加权,所以中文长帖的实际可用字数会略少于显示值。
• 删一篇太长的稿子:把段落数和高频词放在一起看。十四段讲一件事的文章,通常有三段在互相重复,而高频词表格能大致指出是哪三段。