Analisis frekuensi kata dan karakter dalam teks
Statistik lokal untuk Unicode karakter, kata, baris duplikat, dan metrik teks dasar; aturan dapat difilter dan CSV yang terlindung dari injeksi formula dapat diekspor.
Cara menggunakan analisis frekuensi kata dan karakter dalam teks
Teks hanya ditokenisasi, dihitung, dan diekspor di browser saat ini; teks tidak diunggah atau disimpan.
Masukkan teks
Tempel konten UTF-8; halaman menerima paling banyak 1000000 karakter dan 50,000 baris, serta membatasi ukuran setelah pengodean agar tidak melebihi 1 MiB.
Atur aturan statistik
Pilih apakah kapitalisasi, tanda baca, dan spasi akan diabaikan, lalu atur jumlah Top N untuk 1–500.
Lihat atau ekspor
Lihat frekuensi karakter, frekuensi kata, penghitungan dasar, dan baris duplikat dengan nomor baris, atau ekspor BOM yang dilindungi dari injeksi formula dan memiliki CSV.
Batasan dan catatan
- Pemisahan kata diprioritaskan menggunakan Intl.Segmenter; jika browser tidak mendukung, gunakan fallback Unicode regex. Batas kata untuk teks berbahasa Mandarin, Jepang, dan teks campuran dapat berbeda.
- Jumlah CJK hanya menghitung rentang ideograf terpadu, dan tidak dapat disamakan dengan jumlah karakter Han, jumlah karakter, atau jumlah kata yang dapat dibaca dalam bahasa alami.
- Item dengan frekuensi yang sama diurutkan berdasarkan urutan kemunculan pertama; opsi pengabaian akan mengubah kunci dan nilai setelah normalisasi, dan tidak dapat menggantikan analisis korpus profesional.
Pertanyaan umum
Mengapa frekuensi kata dapat berbeda di browser yang berbeda?
Implementasi Intl.Segmenter dan aturan fallback yang disediakan browser mungkin menggunakan batas kata yang berbeda; frekuensi karakter biasanya lebih stabil.
Mengapa CSV yang diekspor menambahkan awalan pada sel?
Konten yang diawali karakter pemicu formula akan diberi awalan keamanan, sehingga mengurangi risiko dianggap sebagai formula dan dieksekusi oleh perangkat lunak spreadsheet.
Apakah baris duplikat akan mengabaikan spasi kosong?
Baris duplikat diproses sesuai opsi normalisasi yang saat ini dipilih di antarmuka alat, dan nomor baris asli terkait dipertahankan untuk pemeriksaan.