词频统计

词频统计做的事情很直接：把你粘贴进来的一段文本拆成一个个统计单位，数清楚每个单位出现了多少次，再按次数从高到低排出来。中文和英文的最小统计单位不一样，所以工具提供了两种模式——「中文单字」按单个汉字计数，「英文单词」按空格和标点切分出的单词计数。日常写作、做内容分析或者整理语料时，靠人工去数某个字、某个词出现了几次几乎不现实，文本一长就更容易数错数漏，这个工具就是把这件机械又枯燥的活交给浏览器一次算完。

它的工作方式可以拆成分词、计数、排序三步。中文单字模式会逐字符遍历文本，跳过空白和标点，把每个汉字作为一个键累加；英文单词模式则先统一转成小写做大小写归一化，再按非字母边界切分出单词序列，因此 Apple 和 apple 会被算作同一个词。计数阶段本质上是维护一张哈希表，键是字或词、值是出现次数，遍历一遍文本即可把频次累积完；最后对这张表按值做降序排序输出。整个过程是线性遍历加一次排序，几万字的文本也能几乎瞬间出结果。

最常见的用法是提取高频关键词。比如写完一篇文章想知道有没有反复啰嗦同一个词，把全文贴进来跑一遍中文单字或英文单词模式，排在前面的往往就是你的口头禅或过度使用的表达。做内容分析或 SEO 时，可以把一批标题、评论汇总起来统计，快速看出用户最关心的字词是什么。学英语背单词时，把一篇外刊文章丢进英文单词模式，按词频优先记高频词，也比逐句硬啃效率高。

需要注意的是，中文单字模式统计的是单个汉字而不是词语，它不做中文分词，所以数据会被拆成数和据分别计数；如果你要的是按词语粒度统计，这个模式并不适合。英文单词模式依赖字母边界切分，带连字符或撇号的写法（如 state-of-the-art、don't）可能被拆开，纯数字一般不计入单词。中英文标点、空格、换行都不会被当作统计对象，结果里只保留真正的字或词。所有计算都在浏览器本地完成，文本不会上传服务器，长文本也不必担心隐私。

词频统计是一个免费的在线工具，打开网页就能用，不用下载也不用注册。平时大家搜的“词频统计”、“字频统计”、“单词计数”，说的都是这个。