Підрахунок китайського тексту: знаки, слова й пробіли

Завдання з китайської з обмеженням кількості знаків і кошторис перекладу за словами можуть вимірювати різні речі. У китайському письмі зазвичай немає пробілу між кожним словом, тому підрахунок фрагментів, розділених пробілами, не дає корисної кількості китайських слів.

Перед підрахунком з’ясуйте потрібну міру. Чи входять до ліміту пунктуація, латинські літери, цифри, пробіли, заголовки та бібліографія? Результат може бути обчислений точно, але не відповідати правилам подання, якщо він охоплює інший набір символів.

Один приклад і кілька правильних підсумків

Візьмімо один рядок зі звичайним пробілом перед роком:

你好，China 2026!

Пунктуація тут — китайська кома та знак оклику. Обидва є символами, але не належать до підрахунку лише Hanzi. Тому правило без пунктуації дає інший результат, ніж правило без самих пробілів.

Китайське слово може містити кілька ієрогліфів

学习中文 містить чотири китайські ієрогліфи. У звичайному прочитанні його можна поділити на 学习 та 中文. Сегментація слів залежить від мови й контексту; ділення кількості знаків на припущену середню довжину слова не перетворює лічильник символів на лічильник слів.

Для вартості перекладу уточніть, чи йдеться про знаки оригіналу, слова перекладу або іншу явно зазначену одиницю. Зберігайте це визначення разом із кошторисом, щоб під час здавання сторони не порівнювали різні величини.

Видимі символи та обсяг зберігання

Деякі відображувані символи складаються з кількох кодових точок Unicode. Емодзі з модифікатором або літера з наступним комбінованим акцентом може виглядати як один знак. Програма, що рахує одиниці зберігання, може дати інший результат, ніж лічильник видимих символьних кластерів.

Довжина в байтах — ще одна міра. Наведений приклад займає 20 байтів у UTF-8 без позначки порядку байтів і кінця рядка, хоча показує чотирнадцять символів. Перевіряти байтовий ліміт, припускаючи один байт на кожен видимий знак, не можна.

Узгодження частин для підрахунку

Документ може містити назву, заголовки розділів, основний текст і список літератури. Якщо ліміт стосується лише основного тексту, вставлення всього документа обирає хибний обсяг, навіть коли кожен знак порахований правильно. Чітко визначте межі замість зміни методу, доки результат не стане нижчим за ліміт.

Для кошторису або передавання роботи запишіть і міру, і включені розділи. Формулювання «лише основний текст, без пробільних знаків, із пунктуацією» дає змогу відтворити результат. «Приблизно тисяча китайських слів» значно менш корисне, якщо одна сторона рахує Hanzi, а інша — виділені слова або всі видимі символи.

Не видаляйте пунктуацію лише заради меншого числа, якщо правила отримувача її не виключають. Розділові знаки — потрібна читачеві частина тексту. Окремий підрахунок пояснює різницю підсумків без змін у поданій роботі.

Перевірка багатомовного тексту

Китайський абзац може містити код товару, ім’я латинкою, дату й емодзі. Результат лише для Hanzi не включає більшу частину цих елементів. Для певного завдання це корисно, але не обов’язково підходить формі, що обмежує довжину всього поля. Оберіть міру відповідно до заявленого ліміту отримувача.

Розгляньмо é. Її можна подати однією попередньо скомпонованою кодовою точкою Unicode або як e із наступним комбінованим гострим наголосом. Обидві форми можуть виглядати як один символ, але кількість кодових точок і байтів UTF-8 відрізняється. Тому різні технічні визначення дають різні результати без довільного рахування.

Кінці рядків і скопійовані пробіли теж створюють різницю. Однорядковий приклад у цій статті не має завершального переходу на новий рядок. Його додавання змінює збережений текст і байтову довжину, хоча наприкінці поля це легко не помітити. Для байтового ліміту перевіряйте точне значення, яке буде надіслане, включно з розділювачами, потрібними формату.

Заміна лише шрифту не змінює самі символи. Вузька літера й широкий китайський знак можуть рахуватися як один видимий символ кожен. Натомість заміна повноширинної цифри на напівширинну може зменшити візуальну ширину без зміни кількості символів. Місце на сторінці — ненадійний спосіб підрахунку.

Якщо два інструменти дають різні результати, порівняйте короткий приклад із зрозумілим складом. Окремо перевірте Hanzi, пунктуацію, пробільні знаки й іншомовні елементи. З’ясувавши причину, використовуйте міру, якої вимагає завдання або система, а не просто менше число.

Підрахунок остаточної версії

1. Уточніть правило підрахунку в отримувача.
2. Скопіюйте остаточний текст із заголовками й примітками, що належать до обсягу.
3. Скористайтеся лічильником китайських символів та потрібним показником.
4. Перевірте вплив порожніх рядків наприкінці й скопійованих пробілів форматування.
5. Перерахуйте після останньої зміни замість подання числа з чернетки.

Повноширинна й напівширинна пунктуація може виглядати по-різному, але кожен знак усе одно може рахуватися як один видимий символ. Використовуйте конвертер ширини лише за вимоги певної форми. Зміна вигляду й визначення міри підрахунку — окремі рішення.