词频统计工具 - 统计字词次数与关键词密度

词频统计用于快速判断一段文字到底在讲什么，也用于自查关键词密度是否自然：把文本按口径切分后统计出现次数与占比，取前若干名看排行。判断「这段内容重复度是不是太高」或「主题词有没有跑偏」时，它比肉眼扫更可靠。

中文不做词典分词是这里的关键前提：本工具按单字、双字组合等口径机械切分，所以会出现「品运」这类不成词但在文中相邻的组合 —— 这是统计口径的必然结果，不是错误。分析英文内容时建议勾选忽略虚词（the、and、of 等），否则排行前列会全是功能词，看不出实际主题。

这个工具解决你的问题了吗？

使用步骤

粘贴文本，选择口径：中文单字、英文单词、双字组合或三字组合。
英文内容勾选忽略虚词，让排行反映实际主题而不是功能词。
看次数与占比排行，判断主题倾向与用词重复度。
写文案时参考关键词密度即可，不必为凑密度牺牲语句通顺。

计算原理与示例

四种口径怎么选

看中英混排的用词习惯选「字词频」——中文按单字、英文与数字按单词统计；分析英文文章的关键词选「英文词频」（可勾选忽略 the / and / of 这类虚词）；想找出中文里的高频词块选「双字组合」，它把相邻两个汉字组成一组，能显出「复利 / 收益 / 风险」这类二字词；「三字组合」则更适合看「不好意思」「性价比」这类固定说法。

关键词密度怎么看

占比 = 该字词出现次数 ÷ 参与统计的字词总数。中文里「的、了、是」天然占据榜首，占比高不代表写得好，而是说明它们是不可压缩的功能字；真正值得看的是内容词（名词、动词）的分布是否集中——如果某个内容词占比异常高（例如超过 5%），通常意味着主题明确，也可能意味着用词重复、需要替换同义表达。

为什么中文不按词统计

中文没有词间空格，要做到「真正的分词」必须依赖词典或统计模型，不同工具给出的结果互不一致，也很难解释清楚「为什么这两个字被算成一个词」。本工具改用四种规则明确、可复核的口径：字、英文词、双字组合、三字组合。它们不是分词，但足以回答「哪些字词被反复使用」这个问题。

统计口径：汉字取 Unicode 基本区（U+4E00~U+9FFF）与扩展 A 区（U+3400~U+4DBF）；英文与数字按连续字母数字串切分，忽略大小写；双字 / 三字组合按标点、空白与数字切段后段内滑窗，不跨段组合；占比 = 该字词次数 ÷ 参与统计的字词总数；同频字词按字符升序排列。不做同义词合并、不做词形还原、不做繁简归一。

代码示例

JavaScript 双字组合统计

const bigrams = (s) => {
  const cs = [...s].filter((c) => /[\u4e00-\u9fa5]/.test(c));
  const out = [];
  for (let i = 0; i + 1 < cs.length; i++) out.push(cs[i] + cs[i + 1]);
  return out;
};

const top = (arr, n = 5) => {
  const m = new Map();
  arr.forEach((k) => m.set(k, (m.get(k) || 0) + 1));
  return [...m.entries()]
    .sort((a, b) => b[1] - a[1] || a[0].localeCompare(b[0]))
    .slice(0, n);
};

top(bigrams('关键词密度分析，关键词自查'));
// 关键 2、键词 2、词密 1 …

Shell 英文词频（命令行）

# 转小写 → 拆词 → 排序 → 计数 → 取前 10
tr -cs 'A-Za-z' '\n' < article.txt | tr 'A-Z' 'a-z' \
  | sort | uniq -c | sort -rn | head -10

# 先排除常见虚词再看主题词
tr -cs 'A-Za-z' '\n' < article.txt | tr 'A-Z' 'a-z' \
  | grep -vE '^(the|and|of|to|in|is|are|for|on|that)$' \
  | sort | uniq -c | sort -rn | head -10

常见问题

双字组合里为什么会出现「品运」这种奇怪的组合？

因为双字组合是「相邻两字滑窗」，不判断它们是不是一个词。一段文字「产品运营」会产出「产品」「品运」「运营」三组，其中「品运」是跨词边界的伪组合。这是口径本身的性质，不是错误——所以页面刻意标注了「按标点、空白与数字切段」，段内滑窗至少能避免跨句乱组合。真正想找词时，看高频的前几名通常仍是真词。

出现次数一样的字词，谁排在前面？

按字符升序（编码顺序）排列。这是刻意的确定性口径：同样的输入必须得到同样的排行，否则同一段文本两次统计的顺序可能不同，也没法做回归比对。中文按 Unicode 码点排序，所以「世」会排在「界」前面。

关键词密度多少算合适？

对中文内容，把「字词频」里的内容词占比控制在 1%~3% 通常读起来自然；超过 5% 会明显有重复感。需要强调的是：现代搜索引擎并不存在一个「密度达标就排名靠前」的阈值，密度只适合用来自查「是不是翻来覆去只说一件事」，不要为了凑数字硬塞关键词。

英文虚词是什么？勾选忽略有什么用？

虚词指 the、a、and、of、to 这类只有语法功能、不承载信息的词。统计英文时它们几乎总占榜首，勾选「忽略」后排行榜会立刻显露出真正的内容词。本工具内置约 45 个常见虚词，只在「英文词频」口径下生效，且默认不忽略——口径以你的选择为准。

标点、数字和英文会参与统计吗？

标点与符号不参与（它们不作为字词计入），数字与英文单词参与：连续的字母数字串会被整体视为一个词，例如「2026」与「Python」各算一个词，并按大小写归一（Python 与 python 合并统计）。中文标点、英文标点、空格与换行都不会进入统计。

为什么这里的汉字数和「字数统计」工具不一样？

口径不同：本页的「汉字数」只统计基本区与扩展 A 区的汉字，不含标点、数字、字母与 emoji；而字数统计工具区分「含标点字符数」与「去标点字数」，还统计行数、段落数。做内容合规核对（比如平台要求 300 字以上）时，用字数统计工具的口径更稳妥。

一段文本里全是数字，为什么提示没有可统计的字词？

「双字组合」与「三字组合」只处理汉字，纯数字或纯符号文本在段内凑不满两个字，因此没有任何组合可统计。换成「字词频」或「英文词频」口径即可正常统计数字串。

我粘贴的文本会被上传或保存吗？

不会。统计在浏览器本地完成，文本不发送到服务器、不写入浏览器存储，页面刷新即清空，也没有「计算历史」区块。这也是本站把这类工具放在本地运算的原因：待分析的文本常常是还没发布的稿件。

延伸阅读

词频统计怎么做？文章关键词怎么提

来自本站原创文章，讲清这个工具背后的算法与口径。

词频统计与关键词密度计算器