先把两部书的底子量出来
这次拿来当语料的是两个公有领域古籍 TXT:老残游记 332588 字节、切出 1182 段,梦溪笔谈 380203 字节、切出 1342 段,两边都无 BOM、无回车符、结尾带一个换行;按码点口径分别有 111707 与 127666 个字符,本篇字符数一律按码点报。测量走的是共用探针桩:把工具页脚本整段原样读回喂给 node 跑,参数注入来自桩而非真实文件选择器,界面像素与耗时本批没量、不写。
库内展示的是「TXT 324.8 KB」和「TXT 371.3 KB」,正好是字节数除以 1024 后保留一位小数的档位差,只当展示口径对照,不当实测引用。此前没人量过的是这个页面的后两档——添加前后缀与添加序号;同页前两档量的是码元口径,本篇不碰它们的结论。
「处理行数」数的是段,不是行
把文本行操作的「添加序号」档指向老残游记,处理行数那一格报 1182;同一档跑梦溪笔谈报 1342。可对这两本书来说,有字的段只有 600 段和 666 段。原因是这一格的分母是 split 换行之后的段数:1182 段里 582 段是空的,1342 段里 676 段是空的,两本合计 2524 段、1258 段空着。而两书实际的换行符数是 1181 与 1341,谁都没被报出来——段数天生比换行符多一,结尾那个换行也切出一段。
| 语料 | 处理行数报 | 非空段 | 空段 | 换行符 |
|---|---|---|---|---|
| 老残游记 | 1182 | 600 | 582 | 1181 |
| 梦溪笔谈 | 1342 | 666 | 676 | 1341 |
图 1 两档语料的段数构成:报出的 1182 与 1342 里,绿色是有字的段,灰色是照样占号的空段
序号档:空段照样占号,位数只补不截
序号那一格的算式是 idx = start + i,i 直接取段下标,空段也在数列里占一格。默认档跑老残游记,输出里有 582 行只剩序号加分隔符,末段逐字是「1182. 」;梦溪笔谈同形的行有 676 条,最大序号 1342 比读起来有内容的 666 段多出 676。「第 N 行」和读到的第 N 条对不上,根子全在这一个算式上:末段那行「1182. 」占的正是最后一个空段的号。结尾多一个换行造出的那段空,也领到自己的号——三行样本会多出「3. 」这样一行。
序号宽度交给格式下拉,而 padStart 只补不截。1182 段配两位格式时,真被补出前导零的只有 9 格,1173 格压根没补;显示宽度超过 2 的有 1083 格,其中 183 格直接顶出 4 位数字。换三位格式,补零的变成 99 格。负起点更怪:两位格式输出「-5. 」(长度 2、不补),三位格式输出「0-5. 」。这里补的 0 落在负号之前,不是落在数字之前。
前后缀档:增量全花在看不见的空段上
默认前缀是 value="★ ",U+2605 占 3 字节再加 1 字节空格,每段无条件贴 4 字节。跑老残游记字节增量 4728,输出 337316 字节;梦溪笔谈增量 5368,输出 385571 字节;两本合计增量 10096 字节、合计输出 722887 字节。而那 582 与 676 个空段,各自从 0 码点变成 2 码点——贴得最起劲的恰恰是看不见的那些,字节增量只与段数挂钩,与段里有没有字无关。
图 2 前后缀默认档的字节账:每段贴 4 字节后的输入输出档位
起始格、分隔格与各档互不清洗
起始格走 parseInt(...,10)||0:填 0、留空、abc、0x10 四种输入并进同一个按 0 起的结果;2.9 当 2,两侧带空白的 4 读成 4,1e2 读到字母截成 1,-5 能从负数跨零起步。填 99999999999999999999 会落到 1e20,输出 21 位的 100000000000000000000,三行样本共 80 字节。分隔格则是另一口径:里面的花括号不参与占位符替换,填 {n} 实测出「1.{n}甲」,填 {nn} 出「1.{nn}甲」;格式选了 {nn}. 也只换格式那一侧,照样出「01.{n}甲」。
CRLF 样本下回车符留在段尾:默认档输出「★ 甲\r\n★ 乙\r\n★ 丙」,13 字节进、25 字节出;带后缀时后缀落在回车符之后,实测逐字 \rX,与此前文案说的落在之前相反。序号档把回车符带到序号与内容之后,同理。
模式切换只动 display 与 hint:del-n=7、start=3、分隔=| 等七个参数在六次来回切换后全部原样,期间对控件 value 的 6 次写入全落在输出框,参数面板互不清洗。四档 hint 的字节数是 41/47/51/52,且 markup 初始提示与脚本里删除档提示差 3 码点、7 字节——同一槽位挂着两个文案。
把输出粘回输入再跑一遍的账
前后缀档连跑两遍,各加 4728 字节、累计 9456,输出 342044 字节,582 个空段逐字变成「★ ★」。序号档每遍增量同为 5985(序号位数和 3621 加每段 2 字节),跑完末段是「1182. 1182. 」,最大序号仍是 1182、统计恒报 1182——序号是现算的,上一遍的旧序号已经沦为正文。
三个常见的对不上
Q:处理行数为什么和我自己数的段数对不上?
那一格数的是 split 切出的段:空段、结尾换行切出的那一段全在分母里,所以报 1182 而非 1181 个换行、更非 600 个有字的段。想要「有字的段」那档口径,得先把空行清掉再跑。粘回重跑时那一格纹丝不动,也是同一个道理:段数没变。
Q:序号为什么突然多出两位?
padStart 只补不截,格式宽度管不住超过它的段号;1182 段里 183 格显示的就是 4 位序号,只有 9 格是被补出来的。
Q:分隔符里能写 {n} 吗?
不能。分隔格的内容不参与占位符替换,写了就按字面拼进输出,实测出「1.{n}甲」。
语料的来处
两份 TXT 在本篇只当字节与段落语料,不摘引、也不评价书里的内容与文辞。想自己核一遍同口径的,可以从梦溪笔谈或老残游记的资源详情页拿到公有领域文本,各跑一遍默认档,对着自己那份的段数与空段差再量一次——先自己数一遍有字的段,再对照页面报出的那一格,差值就是空段的账。