120 回的「紅樓夢」整本貼進文本頻率統計，榜首為什麼是 59260 次的逗號

把一整部 120 回的書貼進文本頻率統計

有人把一整部 120 回的公版古籍原文粘進文本頻率統計的字元框，回車後榜首不是任何漢字，而是一個出現 59260 次的逗號。這份 TXT 實測 2605929 位元組、5496 行、無 BOM 的單一 UTF-8，非 ASCII 位元組佔 99.78%。

位元組、碼元、漢字是三本帳

這份 120 回全本的原始檔案在站內資源頁 紅樓夢資源頁，位元組數由 wc -c 與 fs.statSync 雙口徑互證都是 2605929。介面統計欄讀的是 text.length，即 UTF-16 碼元 872515，比位元組少 1733414，位元組除以碼元約 3.0；而按 /[\u4e00-\u9fff]/g 只數漢字又是 732628。把整本餵進文本頻率統計，那一格讀到的是 872515，不是檔案名裡的 2.6 MB——三個數各說各的帳，不能互相替換。

回數三法為什麼差 124、112、120

寬鬆正則命中 124 次，不等於 120 回：124 裡有 120 個是回目行（【與】各出現 120 次），另 3 處落在正文敘述、1 處是不帶方括號的裸回目重出。嚴格漢字數字正則只命中 112 次，差的 12 處全在第 100 回之後——這段回目用「零」寫法，字元類沒收錄「零」就整批漏計，112 加 12 與 124 閉合。第三條獨立證據是把 120 個漢字回目逐行寫進關鍵字欄，總命中報 124 次、未出現 0 個。

榜首是逗號，前 10 名裡 4 個標點

整榜 4454 項按次數降序，漢字第一名是「了」21221 次排第 3、比逗號少 38039 次，「的」15719 排第 4；範本只跳四類空白、標點全參與排名，於是前 10 名裡混進 4 個標點。下表給前 10 名：

文言虛詞全在低位：之 2147 次（全榜第 75 名）、也 6116、者 416、乎 70、矣 65、焉 26、哉 26。單看「之」只有「的」的 13.7%，教科書那條字母 E 約 12.7% 的密度尺子在這裡沒有任何單項接近。

逐回字數與行數不成正比

120 段去空白口徑平均 7211.3 字每回、漢字平均 6105.2；最長第六十二回 11760 字，最短第十二回 4215 字，差 7545、比 2.79 倍。按行排名次會整個反過來：第七十八回 123 行只有 10653 字（詩帖行多），第七十四回 25 行卻有 10956 字，逐回字數榜只能按去空白字數排。

圖 1：字數榜 74 回高於 78 回，行數卻是 78 回 123 對 74 回 25，兩套名次互換

英文詞頻只出 7 項網址殘渣

英文詞頻那一格的分詞口徑是 /[a-zA-Z]+/g，只抓連續 ASCII 字母串：732628 個漢字貢獻 0 個詞，整本總單詞數只有 8，預設 30 項停用詞吃掉 by 後榜單剩 7 項，每行各 1 次 12.5%，全是末尾來源說明裡的 https、zh、wikisource、org、wiki、cc、sa 網址殘渣。勾上區分大小寫變 8 項（BY 漏過濾），停用詞清空是 8 項且佔比和 100.0%（預設那檔只有 87.5%）；按回拆開餵，120 段裡 119 段直接是「暫無資料」。

關鍵字計數讀的是字樣不是人物

關鍵字計數走 indexOf 非重疊掃描。三個角色詞寫三行：寶玉 3992、鳳姐 1751、黛玉 1377，統計欄總命中 7120 次、未出現 0 個，三數相加正好閉合。但那一格百分比是次數除以 872515 碼元，寶玉顯示 0.5%，按實佔算是 7984 碼元即 0.9151%，兩格差一倍。清單不去重：黛玉寫兩遍就報 4 個關鍵字、8497 次，而文本裡真實只有 7120 處。「林黛玉把花具且都放下」10 字在 23 回葬花段，「凤姐儿偏拣了一碗鸽子蛋放在刘姥姥桌上」18 字在 40 回。

三檔字數口徑逐檔可解釋

字數三檔口徑，每檔差值都能用另一檔實測解釋：碼元 872515 減範本跳過的四類空白 5742 得範本口徑 866773；範本不吃全形空格，再減 1412 得去空白口徑 865361；再減標點符號 132733 得漢字口徑 732628。整榜 4454 項各自佔比相加只有 81.4%，因為被跳過的空白仍留在分母。

圖 2：碼元到漢字四檔口徑逐檔相減可閉合

整本一次貼進的可行性算帳

範本四個輸入欄位都沒有 maxlength，瀏覽器實測 .maxLength 讀到 −1、getAttribute 為 null，程式碼裡也無截斷語句。按無上限口徑，全文 872515 碼元一次進框可容，賦值 4.7 毫秒、取回碼元相等；連 3 倍全文 2617545 碼元也塞得下，榜首隨之變 177780 次正好三倍。代價在渲染：4454 行整表一次寫入是 JS 77.3 毫秒加首幀 1046.7 毫秒約 1.12 秒，容器 scrollHeight 106896 像素對可視 320 像素，這個量級要貼一次算一次。

逐回跑與整本跑互相印證

120 段各跑一次字元頻率共 117.7 毫秒、平均每次 0.98 毫秒，每回榜平均 953.2 項而整本一次 4454 項；但逐回次數合計 866773 與整本一次完全相等，切段不吞字。三模式耗時（Node 計時）是字元頻率 58.7 到 76.9 毫秒、英文詞頻 3.2 到 7.0 毫秒、關鍵字三詞 0.7 到 1.1 毫秒。文案對照 14 條判定 6 條一致、2 條衝突，衝突都落在密度口徑上。

FAQ

Q：命中 124 次是不是說明有 124 回？

不是。124 是「第X回」字樣出現次數，120 是回目行條數；多出的 4 處裡 3 處是正文敘述用詞、1 處是重複排版的裸回目。嚴格正則少 12 處只因「零」沒進字元類。

Q：英文詞頻為什麼幾乎是空的？

切分運算式只認 ASCII 字母串，732628 個漢字進不了這張榜，整本只有末尾來源說明裡的 8 個詞，過濾停用詞後剩 7 項殘渣。

Q：那一格百分比能當關鍵字密度嗎？

不能。分母是總碼元而非該詞實佔，寶玉顯示 0.5% 而實佔是 0.9151%。小文本上字頻、詞頻與停用詞的入門讀數見舊文 文本頻率停用詞與中文計數說明。

Q：逗號當榜首有分析價值嗎？

這是跳過名單不含標點所致，漢字首榜看「了」21221、虛詞看「之」2147。