Đếm văn bản tiếng Trung: chữ Hán, từ, dấu câu và khoảng trắng

Bài tập tiếng Trung yêu cầu số chữ và báo giá dịch thuật tính theo số từ có thể đang đo những đại lượng khác nhau. Tiếng Trung thường không đặt khoảng trắng giữa từng từ, nên đếm các phần ngăn bằng khoảng trắng không cho ra tổng số từ tiếng Trung hữu ích.

Trước khi đếm, hãy xác định quy định yêu cầu gì. Giới hạn có bao gồm dấu câu, chữ Latin, chữ số, khoảng trắng, tiêu đề và tài liệu tham khảo không? Kết quả có thể được tính chính xác nhưng vẫn không phù hợp nếu tính sai nhóm ký tự mà quy định đề cập.

Một ví dụ có nhiều tổng số đúng

Dùng ví dụ một dòng sau, với một khoảng trắng thông thường trước năm:

你好，China 2026!

Hai dấu câu là dấu phẩy tiếng Trung và dấu chấm than. Cả hai đều là ký tự nhưng không nằm trong số lượng chỉ tính chữ Hán. Vì vậy, quy định bỏ dấu câu sẽ khác quy định chỉ bỏ khoảng trắng.

Một từ tiếng Trung có thể gồm nhiều chữ Hán

学习中文 gồm bốn chữ Hán. Theo cách đọc thông thường, có thể tách thành 学习 và 中文. Tách từ phụ thuộc vào ngôn ngữ và ngữ cảnh; chia tổng ký tự cho độ dài từ trung bình giả định không biến công cụ đếm ký tự thành công cụ đếm từ.

Khi báo giá dịch thuật, cần xác nhận tính theo chữ của bản nguồn, từ của bản dịch hay một đơn vị khác được nêu rõ. Giữ định nghĩa này cùng báo giá để khi bàn giao, hai bên không so sánh các tổng số theo những cách khác nhau.

Ký tự nhìn thấy và dung lượng lưu trữ khác nhau

Một số ký hiệu hiển thị chứa nhiều điểm mã Unicode. Emoji có thành phần bổ nghĩa hoặc chữ cái kèm dấu kết hợp có thể trông như một ký tự. Chương trình đếm đơn vị lưu trữ có thể cho tổng khác công cụ đếm cụm ký tự hiển thị.

Độ dài byte là một đại lượng khác. Ví dụ trên chiếm 20 byte trong UTF-8 nếu không có dấu thứ tự byte và ký tự xuống dòng, dù chỉ hiển thị mười bốn ký tự. Không thể kiểm tra giới hạn byte bằng cách giả định mỗi ký tự nhìn thấy luôn chiếm một byte.

Thống nhất phần văn bản được tính

Một bài nộp có thể gồm tiêu đề, đề mục, nội dung chính và danh mục tham khảo. Nếu giới hạn chỉ áp dụng cho nội dung chính, dán cả tài liệu vào bộ đếm sẽ chọn sai phạm vi dù từng ký tự đều được đếm đúng. Hãy ghi rõ phạm vi thay vì đổi phương pháp cho đến khi kết quả thấp hơn giới hạn.

Khi báo giá hoặc bàn giao, hãy ghi cả đơn vị tính lẫn phần được đưa vào. Cách ghi “chỉ nội dung chính, không tính ký tự trắng, có tính dấu câu” có thể kiểm tra lại. “Khoảng một nghìn từ tiếng Trung” kém hữu ích nếu một bên đếm chữ Hán, bên kia đếm từ đã tách hoặc mọi ký tự hiển thị.

Đừng xóa dấu câu chỉ để giảm tổng số, trừ khi quy định của bên nhận loại trừ chúng. Dấu câu là phần văn bản người đọc cần. Đếm riêng dấu câu có thể giải thích chênh lệch giữa hai kết quả mà không thay đổi bài viết nộp đi.

Kiểm tra văn bản trộn nhiều ngôn ngữ

Một đoạn tiếng Trung có thể chứa mã sản phẩm, tên viết bằng chữ Latin, ngày tháng và emoji. Kết quả chỉ tính chữ Hán bỏ qua phần lớn những nội dung đó. Nó hữu ích cho một mục đích, nhưng chưa chắc phù hợp với biểu mẫu giới hạn độ dài toàn bộ trường. Hãy chọn tổng tương ứng với giới hạn mà bên nhận nêu ra.

Xét chữ é. Nó có thể được biểu diễn bằng một điểm mã Unicode dựng sẵn, hoặc bằng e theo sau là dấu sắc kết hợp. Cả hai có thể hiển thị thành một ký tự, trong khi số điểm mã và độ dài UTF-8 khác nhau. Vì vậy, hai bộ đếm dùng định nghĩa kỹ thuật khác nhau có thể không khớp mà không phải tính tùy tiện.

Ký tự kết thúc dòng và khoảng trắng sao chép theo cũng tạo khác biệt. Ví dụ một dòng trong bài này không có ký tự kết thúc dòng ở cuối. Thêm một lần xuống dòng sẽ đổi văn bản lưu trữ và số byte, dù dễ bị bỏ qua ở cuối ô nhập. Với hệ thống giới hạn byte, hãy kiểm tra đúng giá trị sẽ gửi, kể cả dấu phân cách mà định dạng yêu cầu.

Chỉ đổi phông chữ không làm đổi các ký tự bên dưới. Một chữ cái nhìn hẹp và một chữ Hán nhìn rộng đều có thể được tính là một ký tự hiển thị. Ngược lại, đổi chữ số toàn chiều rộng sang nửa chiều rộng có thể giảm độ rộng nhìn thấy nhưng không đổi tổng ký tự. Diện tích chiếm trên trang không phải cách đếm đáng tin cậy.

Nếu hai công cụ cho kết quả khác nhau, hãy so sánh một mẫu ngắn mà bạn có thể kiểm tra nội dung. Xem riêng chữ Hán, dấu câu, ký tự trắng và phần thuộc ngôn ngữ khác. Khi đã rõ nguyên nhân, dùng cách đo mà bài tập hoặc hệ thống yêu cầu, không chọn số nào nhỏ hơn.

Đếm đúng văn bản cuối cùng sẽ nộp

1. Xác nhận quy tắc đếm của bên nhận.
2. Sao chép văn bản cuối cùng, kèm tiêu đề hoặc chú thích thuộc phạm vi nộp.
3. Dùng công cụ đếm ký tự tiếng Trung và xem kết quả theo đại lượng phù hợp.
4. Kiểm tra ảnh hưởng của dòng trống cuối bài hoặc khoảng trắng định dạng được sao chép theo.
5. Đếm lại sau lần sửa cuối, thay vì báo số của bản nháp.

Dấu câu toàn chiều rộng và nửa chiều rộng có thể khác hình thức nhưng mỗi dấu vẫn được tính là một ký tự hiển thị. Chỉ dùng công cụ chuyển đổi độ rộng khi yêu cầu nộp bài quy định dạng cụ thể. Thay đổi hình thức và xác định cách đếm là hai quyết định riêng.