先把兩部書的底子量出來
這次拿來當語料的是兩個公有領域古籍 TXT:老殘遊記 332588 位元組、切出 1182 段,夢溪筆談 380203 位元組、切出 1342 段,兩邊都無 BOM、無回車符、結尾帶一個換行;按碼點口徑分別有 111707 與 127666 個字元,本篇字元數一律按碼點報。測量走的是共用探針樁:把工具頁尾本整段原樣讀回餵給 node 跑,引數注入來自樁而非真實檔案選擇器,介面畫素與耗時本批沒量、不寫。
庫內展示的是「TXT 324.8 KB」和「TXT 371.3 KB」,正好是位元組數除以 1024 後保留一位小數的檔位差,只當展示口徑對照,不當實測引用。此前沒人量過的是這個頁面的後兩檔——新增前後綴與新增序號;同頁前兩檔量的是碼元口徑,本篇不碰它們的結論。
「處理行數」數的是段,不是行
把文本行操作的「新增序號」檔指向老殘遊記,處理行數那一格報 1182;同一檔跑夢溪筆談報 1342。可對這兩本書來說,有字的段只有 600 段和 666 段。原因是這一格的分母是 split 換行之後的段數:1182 段裡 582 段是空的,1342 段裡 676 段是空的,兩本合計 2524 段、1258 段空著。而兩書實際的換行符數是 1181 與 1341,誰都沒被報出來——段數天生比換行符多一,結尾那個換行也切出一段。
| 語料 | 處理行數報 | 非空段 | 空段 | 換行符 |
|---|---|---|---|---|
| 老殘遊記 | 1182 | 600 | 582 | 1181 |
| 夢溪筆談 | 1342 | 666 | 676 | 1341 |
圖 1 兩檔語料的段數構成:報出的 1182 與 1342 裡,綠色是有字的段,灰色是照樣佔號的空段
序號檔:空段照樣佔號,位數只補不截
序號那一格的算式是 idx = start + i,i 直接取段下標,空段也在數列裡佔一格。預設檔跑老殘遊記,輸出裡有 582 行只剩序號加分隔符,末段逐字是「1182. 」;夢溪筆談同形的行有 676 條,最大序號 1342 比讀起來有內容的 666 段多出 676。「第 N 行」和讀到的第 N 條對不上,根子全在這一個算式上:末段那行「1182. 」佔的正是最後一個空段的號。結尾多一個換行造出的那段空,也領到自己的號——三行樣本會多出「3. 」這樣一行。
序號寬度交給格式下拉,而 padStart 只補不截。1182 段配兩位格式時,真被補出前導零的只有 9 格,1173 格壓根沒補;顯示寬度超過 2 的有 1083 格,其中 183 格直接頂出 4 位數字。換三位格式,補零的變成 99 格。負起點更怪:兩位格式輸出「-5. 」(長度 2、不補),三位格式輸出「0-5. 」。這裡補的 0 落在負號之前,不是落在數字之前。
前後綴檔:增量全花在看不見的空段上
預設字首是 value="★ ",U+2605 佔 3 位元組再加 1 位元組空格,每段無條件貼 4 位元組。跑老殘遊記位元組增量 4728,輸出 337316 位元組;夢溪筆談增量 5368,輸出 385571 位元組;兩本合計增量 10096 位元組、合計輸出 722887 位元組。而那 582 與 676 個空段,各自從 0 碼點變成 2 碼點——貼得最起勁的恰恰是看不見的那些,位元組增量只與段數掛鉤,與段裡有沒有字無關。
圖 2 前後綴預設檔的位元組賬:每段貼 4 位元組後的輸入輸出檔位
起始格、分隔格與各檔互不清洗
起始格走 parseInt(...,10)||0:填 0、留空、abc、0x10 四種輸入並進同一個按 0 起的結果;2.9 當 2,兩側帶空白的 4 讀成 4,1e2 讀到字母截成 1,-5 能從負數跨零起步。填 99999999999999999999 會落到 1e20,輸出 21 位的 100000000000000000000,三行樣本共 80 位元組。分隔格則是另一口徑:裡面的花括號不參與佔位符替換,填 {n} 實測出「1.{n}甲」,填 {nn} 出「1.{nn}甲」;格式選了 {nn}. 也只換格式那一側,照樣出「01.{n}甲」。
CRLF 樣本下回車符留在段尾:預設檔輸出「★ 甲\r\n★ 乙\r\n★ 丙」,13 位元組進、25 位元組出;帶字尾時後綴落在回車符之後,實測逐字 \rX,與此前文案說的落在之前相反。序號檔把回車符帶到序號與內容之後,同理。
模式切換隻動 display 與 hint:del-n=7、start=3、分隔=| 等七個引數在六次來回切換後全部原樣,期間對控制元件 value 的 6 次寫入全落在輸出框,引數面板互不清洗。四檔 hint 的位元組數是 41/47/51/52,且 markup 初始提示與腳本里刪除檔提示差 3 碼點、7 位元組——同一槽位掛著兩個文案。
把輸出粘回輸入再跑一遍的賬
前後綴檔連跑兩遍,各加 4728 位元組、累計 9456,輸出 342044 位元組,582 個空段逐字變成「★ ★」。序號檔每遍增量同為 5985(序號位數和 3621 加每段 2 位元組),跑完末段是「1182. 1182. 」,最大序號仍是 1182、統計恆報 1182——序號是現算的,上一遍的舊序號已經淪為正文。
三個常見的對不上
Q:處理行數為什麼和我自己數的段數對不上?
那一格數的是 split 切出的段:空段、結尾換行切出的那一段全在分母裡,所以報 1182 而非 1181 個換行、更非 600 個有字的段。想要「有字的段」那檔口徑,得先把空行清掉再跑。粘回重跑時那一格紋絲不動,也是同一個道理:段數沒變。
Q:序號為什麼突然多出兩位?
padStart 只補不截,格式寬度管不住超過它的段號;1182 段裡 183 格顯示的就是 4 位序號,只有 9 格是被補出來的。
Q:分隔符裡能寫 {n} 嗎?
不能。分隔格的內容不參與佔位符替換,寫了就按字面拼進輸出,實測出「1.{n}甲」。
語料的來處
兩份 TXT 在本篇只當位元組與段落語料,不摘引、也不評價書裡的內容與文辭。想自己核一遍同口徑的,可以從夢溪筆談或老殘遊記的資源詳情頁拿到公有領域文本,各跑一遍預設檔,對著自己那份的段數與空段差再量一次——先自己數一遍有字的段,再對照頁面報出的那一格,差值就是空段的賬。