文字工具

文字工具看起來是任何轉檔站裡最不起眼的一類，卻也是各家數字最容易對不上的一類。這一頁解釋為什麼會這樣，這樣當兩個工具給你不同答案時，你知道自己該相信哪一個。

為什麼每個工具算出來的字數都不一樣

「一個字」沒有唯一定義。多數軟體用空白斷詞，於是 state-of-the-art 在某些工具是一個字、在別的工具是三個；don't 可能算一個也可能算兩個；1,500 這種數字有時算字有時不算。

碰到中文、日文、韓文，分歧會嚴重得多，因為這些文字之間根本不放空白。用空白斷詞的工具會把一段 400 字的中文報成「1 個字」。那不是誤差，那是一個完全沒用的答案 —— 而這正是很大一部分以英文為本的字數工具實際給出的結果。

誠實的做法是同時報好幾個數字：含空白字元數、不含空白字元數、英文單字數，以及中日韓字元數分開列。這樣你可以挑那個真正在管你的規則所對應的數字。

這裡的工具你要哪一個

要那個「這篇有多長」的主要數字，用字數統計：字數、中日韓字元、句數、段落數與閱讀時間都在同一個畫面。上限是由程式而不是由人在把關時，用字元計數 —— 它把碼位、UTF-16 編碼單位、看得見的字元、UTF-8 位元組分開列，而只要文字裡出現一個 emoji、一個重音字母或一個中文字，那就是四個不同的數字。

問題是「我重複了什麼」而不是「我寫了多少」的時候，用詞頻統計。這一個最能看出我們跟一般實作的差別：用空白斷詞會把一整段中文變成一個詞，所以我們改用字頻或雙字、三字詞組，並且直接說明詞組抽取是估計值而不是字典分詞。

另外兩個鄰近分類值得知道。關鍵字密度檢查與可讀性分數放在 SEO 工具底下，因為搜這些詞的人是那一群；Unicode 字元檢視放在開發者工具 —— 當某一個特定字元把字串比對、資料庫寫入或檔名弄壞時，要找的是它。

真正在審你的人用的是哪一個數字

學術與出版的限制通常是字數，而且通常是 Microsoft Word 算出來的那個字數 —— 因為審稿的人會用 Word 打開你的檔案。Word 把中日韓字元當成字來算，這就是為什麼同一份中文文件在 Word 裡看起來會比在「用空白斷詞」的網頁工具裡長得驚人。

社群平台與簡訊算的是字元而不是字，而且是以編碼單位計算，所以一個表情符號或罕見符號吃掉的額度會比看起來多。表單欄位與資料庫也算字元，而且常常算的是位元組而不是字元 —— 這件事有差，因為一個中文字在 UTF-8 裡是三個位元組。

搜尋摘要與頁面標題的限制其實是「算出來的像素寬度」而不是字元數，所以兩個長度相同的標題可能一個被截斷一個不會。在那裡，字元數只是一個很粗的代理指標。

閱讀時間，以及為什麼各家估得差那麼多

成年人在螢幕上讀自己母語的散文，一般估計落在每分鐘 200 到 250 個單字之間。技術性內容會更慢，而任何精確到「分」的數字都是粗略指引而不是量測結果。

中文的慣例是算字元而不是算單字，常用的數值在原始字元數上高出許多。所以「閱讀時間 5 分鐘」是給讀者的編輯訊號，不是關於這位讀者的事實 —— 把它當成一種設定長度預期的方式就好。

為什麼「本機處理」對文字特別重要

人們貼進字數工具的東西，往往是他們絕對不會當成檔案上傳的：草擬中的合約、求職信、私人訊息、還沒發表的稿子、內部公告、病情描述。因為它「只是文字」，那個該小心的反射動作不會啟動。

伺服器端的字數工具會收到全部這些內容。這一個收不到，因為計算就發生在你打字的那個瀏覽器分頁裡，沒有任何請求夾帶它。這也是為什麼它在你斷網之後照樣能用 —— 而那正好是你自己驗證這件事最簡單的方法。