Liczenie tekstu chińskiego: znaki, słowa i spacje

Zadanie z chińskiego wymagające określonej liczby znaków i wycena tłumaczenia według słów mogą mierzyć różne rzeczy. W chińskim zwykle nie oddziela się każdego słowa spacją, więc liczenie fragmentów rozdzielonych spacjami nie daje użytecznej liczby chińskich słów.

Przed liczeniem ustal wymaganą miarę. Czy limit obejmuje interpunkcję, litery łacińskie, cyfry, spacje, nagłówki i bibliografię? Wynik może być obliczony dokładnie, lecz nie odpowiadać zasadom oddania pracy, jeśli obejmuje niewłaściwy zestaw znaków.

Jeden przykład i kilka poprawnych wyników

Użyj tego przykładu w jednym wierszu, z jedną zwykłą spacją przed rokiem:

你好，China 2026!

Interpunkcję stanowią chiński przecinek i wykrzyknik. Oba są znakami, ale żaden nie należy do zestawu samych Hanzi. Zasada wykluczająca interpunkcję daje więc inny wynik niż zasada wykluczająca wyłącznie spacje.

Chińskie słowo może zawierać kilka znaków

学习中文 zawiera cztery znaki chińskie. W zwykłym odczytaniu można je podzielić na 学习 i 中文. Segmentacja słów zależy od języka i kontekstu; podzielenie sumy znaków przez założoną średnią długość słowa nie zmienia licznika znaków w licznik słów.

Przy wycenie tłumaczenia ustal, czy podstawą są znaki oryginału, słowa przekładu czy inna jawnie określona jednostka. Zachowaj tę definicję razem z wyceną, aby przy odbiorze strony nie porównywały różnych wielkości.

Widoczne znaki a rozmiar danych

Niektóre wyświetlane symbole składają się z kilku punktów kodowych Unicode. Emoji z modyfikatorem albo litera z następującym po niej łączącym akcentem może wyglądać jak jeden znak. Program liczący jednostki przechowywania może podać inny wynik niż licznik klastrów znaków widocznych.

Długość w bajtach to jeszcze inna miara. Powyższy przykład zajmuje 20 bajtów w UTF-8 bez znacznika kolejności bajtów i końca wiersza, choć wyświetla czternaście znaków. Limitu bajtów nie da się sprawdzić, zakładając, że każdy widoczny znak zajmuje jeden bajt.

Ustalenie zakresu liczenia

Praca może zawierać tytuł, śródtytuły, tekst główny i bibliografię. Jeśli limit dotyczy tylko tekstu głównego, wklejenie całego dokumentu wybiera zły zakres, nawet gdy każdy znak zostanie policzony poprawnie. Określ zakres wprost, zamiast zmieniać metodę, aż wynik spadnie poniżej limitu.

Przy wycenie lub przekazaniu pracy zapisz miarę i uwzględnione części. Zapis „tylko tekst główny, bez białych znaków, z interpunkcją” pozwala odtworzyć obliczenie. „Około tysiąca chińskich słów” jest znacznie mniej użyteczne, jeśli jedna strona liczy Hanzi, a druga wydzielone słowa albo wszystkie widoczne znaki.

Nie usuwaj interpunkcji tylko po to, by zmniejszyć wynik, chyba że zasady odbiorcy ją wykluczają. Jest ona częścią tekstu potrzebną czytelnikowi. Osobne zliczenie pozwala wyjaśnić rozbieżność bez zmieniania oddawanego tekstu.

Kontrola tekstu mieszanego

Chiński akapit może zawierać kod produktu, nazwisko zapisane alfabetem łacińskim, datę i emoji. Wynik obejmujący tylko Hanzi pomija większość takich elementów. Odpowiada na określone pytanie, ale niekoniecznie nadaje się do formularza ograniczającego długość całego pola. Wybierz miarę zgodną z limitem podanym przez odbiorcę.

Rozważ literę é. Może być zapisana jednym prekomponowanym punktem kodowym Unicode albo jako e z łączącym akcentem ostrym. Oba zapisy mogą wyglądać jak jeden znak, lecz różnią się liczbą punktów kodowych i bajtów UTF-8. To wyjaśnia, dlaczego odmienne definicje techniczne dają rozbieżne wyniki bez przypadkowego liczenia.

Końce wierszy i skopiowane spacje również powodują różnice. Jednowierszowy przykład w tym artykule nie ma końcowego znaku nowej linii. Dodanie go zmienia przechowywany tekst i liczbę bajtów, choć łatwo go przeoczyć na końcu pola. Przy limicie bajtów sprawdź dokładną wysyłaną wartość, włącznie z separatorami wymaganymi przez format.

Sama zmiana fontu nie zmienia znaków zapisanych w tekście. Wąska litera i szeroki znak chiński mogą być liczone po jednym znaku widocznym. Z kolei zamiana cyfry pełnoszerokiej na półszeroką może zmniejszyć jej szerokość wizualną bez zmiany liczby znaków. Miejsce zajmowane na stronie nie jest wiarygodną metodą liczenia.

Jeśli dwa narzędzia się różnią, porównaj krótki przykład, którego zawartość możesz przejrzeć. Sprawdź osobno Hanzi, interpunkcję, białe znaki i elementy innych języków. Po ustaleniu przyczyny użyj miary wymaganej przez zadanie lub system, a nie po prostu mniejszego wyniku.

Liczenie ostatecznej wersji

1. Potwierdź zasady liczenia u odbiorcy.
2. Skopiuj końcowy tekst wraz z nagłówkami lub uwagami należącymi do zakresu.
3. Użyj licznika znaków chińskich i odczytaj odpowiednią miarę.
4. Sprawdź wpływ pustych wierszy na końcu i skopiowanych spacji formatowania.
5. Policz ponownie po ostatniej zmianie zamiast podawać wynik wersji roboczej.

Interpunkcja pełnoszeroka i półszeroka może wyglądać inaczej, a nadal liczyć się po jednym znaku widocznym. Korzystaj z konwertera szerokości tylko wtedy, gdy wymagany jest konkretny zapis. Zmiana wyglądu i ustalenie sposobu liczenia to osobne decyzje.