شمارش تکرار کلمات رایگان

مثال عملی

بالای کادر خالی «متن برای تحلیل» روی «امتحان با نمونه» بزنید. بندی 186 نویسه‌ای دربارهٔ روباه و سگ بارگذاری می‌شود و آمار 37 «کل کلمه‌ها»، 18 «کلمه‌های یکتا» و 186 «نویسه‌ها» را نشان می‌دهد. در زبانهٔ «کلمه‌ها» جدول با عنوان «18 کلمهٔ برتر» fox را با 4 بار استفاده (16.0%) اول می‌گذارد، سپس dog با 3 (12.0%)، سپس quick و lazy هر کدام با 2 (8.0%). حشوهایی مانند «the» و «a» نیستند چون «حذف کلمه‌های توقف» تیک خورده است، به همین دلیل یادداشت زیر جدول می‌گوید «درصدها سهم از 25 مورد شمرده‌شده پس از فیلترها هستند.» «کمینهٔ تعداد» را روی 2 بگذارید و فقط همان چهار سطر می‌مانند. سپس «عبارت‌های 2 کلمه‌ای» را بزنید: با «کمینهٔ تعداد» که هنوز 2 است، «lazy dog» و «the fox» می‌مانند، هر کدام 2 بار (5.6%)، و یادداشت اکنون 36 مورد می‌شمارد.

کدام تنظیمات را استفاده کنید و محدودیت‌ها

• سندی بارگذاری کنید یا متن جای‌گذاری کنید. دکمهٔ «بارگذاری فایل متنی» فایل‌های .txt، .md، .csv، .log، .docx و .pdf را باز می‌کند و جایگزین محتوای کادر می‌شود. صفحه می‌گوید «فایل‌ها روی دستگاه شما خوانده می‌شوند.» و فایل بارگذاری نمی‌شود؛ نخستین فایل PDF یا Word فقط یک مؤلفهٔ خواننده را از این سایت بارگذاری می‌کند. PDF برای لایهٔ متنی‌اش تا 400 صفحهٔ نخست خوانده می‌شود، پس PDF اسکن‌شدهٔ بدون متن ناموفق می‌شود. .docx به‌صورت متن ساده خوانده می‌شود. هنگام کار، دکمه «در حال خواندن فایل…» می‌گوید.
• بین کلمه‌ها و عبارت‌ها جابه‌جا شوید. زبانه‌های «کلمه‌ها»، «عبارت‌های 2 کلمه‌ای» و «عبارت‌های 3 کلمه‌ای» آنچه شمرده می‌شود را تغییر می‌دهند. عبارت‌ها از جریان خام کلمه‌ها ساخته می‌شوند، پس «حذف کلمه‌های توقف» و «کمینهٔ طول» خاکستری‌اند و اعمال نمی‌شوند، و یک عبارت می‌تواند از روی نقطه یا شکست سطر بگذرد: نمونه «lazy dog the» را می‌دهد. «کمینهٔ تعداد»، «مرتب‌سازی» و «نمایش برترین‌ها» همچنان کار می‌کنند. کلمه‌ای در فهرست نادیده‌گرفتهٔ شما هر عبارتی را که شامل آن است حذف می‌کند.
• زبان کلمه‌های توقف را انتخاب کنید. کلمه‌های توقف به‌طور پیش‌فرض با فهرست «زبان صفحه» حذف می‌شوند که در این صفحه به‌صورت «زبان صفحه (فارسی)» دیده می‌شود. فهرست انگلیسی 99 کلمه دارد. هفده فهرست درون‌ساخت وجود دارد: انگلیسی، اسپانیایی، فرانسوی، آلمانی، ایتالیایی، پرتغالی، ترکی، روسی، اوکراینی، فارسی، عربی، ژاپنی، لهستانی، هلندی، اندونزیایی، ویتنامی و هندی. برای متن آلمانی در منوی «زبان کلمه‌های توقف» آلمانی را انتخاب کنید، وگرنه حشوهای آلمانی در جدول می‌مانند. «(هیچ)» فیلتر را خاموش می‌کند. کلمه‌های خودتان را در «این کلمه‌ها را هم نادیده بگیر» اضافه کنید، جداشده با ویرگول، نقطه‌ویرگول، فاصله یا سطر جدید.
• جدول را با کمینهٔ طول، کمینهٔ تعداد و نمایش برترین‌ها تنظیم کنید. «کمینهٔ طول» از 1 تا 5 نویسه است و از 2 نویسه شروع می‌شود، پس حرف‌های تک حذف می‌شوند؛ 4 نویسه در نمونه «fox»، «dog» و «ran» را هم حذف می‌کند. «کمینهٔ تعداد» گزینه‌های 1، 2، 3، 5 و 10 و «نمایش برترین‌ها» گزینه‌های 10، 20، 50 و 100 را دارد. «مرتب‌سازی» «بر اساس تعداد» یا «الفبایی» است. «فیلتر نتایج…» سطرها را به کلمه‌هایی که شامل چیزی هستند که می‌نویسید محدود می‌کند. مجموع کلمه‌های یکتا و درصدها پیش از «کمینهٔ تعداد» و «نمایش برترین‌ها» محاسبه می‌شوند، پس آن تنظیمات هرگز آن‌ها را تغییر نمی‌دهند.
• تصمیم بگیرید چه چیزی کلمه حساب شود. کلمه‌ها رشته‌هایی از حرف، رقم و خط تیره‌اند، پس «well-known» یک کلمه است. «نگه داشتن آپوستروف درون کلمه‌ها (don't = 1 کلمه)» به‌طور پیش‌فرض تیک خورده است؛ تیکش را بردارید و «don't» به «don» و «t» تبدیل می‌شود. «شمارش عددها» به‌طور پیش‌فرض تیک خورده است؛ برای حذف توکن‌های فقط‌رقمی مانند 2024 تیکش را بردارید و «3D» حفظ می‌شود. «حساس به بزرگی و کوچکی حروف» خاموش است، پس «Fox» و «fox» یک کلمه‌اند؛ تیکش بزنید تا جدا شوند، هرچند کلمه‌های توقف همچنان به هر حالتی تطبیق داده می‌شوند. متن چینی، ژاپنی، کره‌ای، تایلندی، لائوسی، خمری و برمه‌ای هر جا که مرورگر تقسیم‌کنندهٔ کلمه داشته باشد با آن تقسیم می‌شود.
• فهرست کامل را صادر کنید، نه فقط سطرهای دیده‌شده. «صدور CSV» فایل word-frequency.csv را با ستون‌های Word، Count و Percent برای هر سطری که از فیلترها و «کمینهٔ تعداد» می‌گذرد ذخیره می‌کند، حتی اگر «نمایش برترین‌ها» آن را پنهان کند، و با کدگذاری درست در Excel باز می‌شود. کلمه‌ای که با =، + یا @ شروع شود آپوستروف ابتدایی می‌گیرد تا صفحه‌گسترده آن را فرمول اجرا نکند. «کپی 18 برتر» و «کپی هر 18» سطرهای جداشده با تب را برای جای‌گذاری در صفحه‌گسترده کپی می‌کنند. «نمودار (PNG)» word-frequency.png را ذخیره می‌کند، نمودار میله‌ای تا 25 سطر از سطرهای نمایش‌داده‌شده.

مشکلات رایج و راه حل آن‌ها

می‌گوید «آن فایل خوانده نشد. لطفاً فایل متنی، Word (.docx) یا PDF دارای متن قابل انتخاب را انتخاب کنید.»

یک پیام چهار حالت را پوشش می‌دهد: فایل متن خواندنی ندارد (PDF اسکن‌شده یا سند خالی)، فایل دودویی است، خواننده PDF شکست خورد، یا خواننده Word روی .docx آسیب‌دیده شکست خورد. PDFی که برای باز شدن گذرواژه می‌خواهد خوانده نمی‌شود، چون کادر گذرواژه نیست. مرورگرهای قدیمی‌تر تلفن، از جمله Samsung Internet، نسخهٔ سازگاری خواننده PDF را می‌گیرند. اگر PDF باز هم ناموفق بود، متنش را کپی و در کادر جای‌گذاری کنید.

می‌گوید «report.doc یک فایل DOC است که این ابزار نمی‌تواند باز کند.» (با نام و قالب فایل خودتان).

ابتدای فایل شناسایی شد و نوع آن از نوع‌هایی نیست که این ابزار می‌پذیرد. فایل‌های قدیمی Word .doc، صفحه‌گسترده‌ها، ارائه‌ها و تصاویر پیش از خواندن هر چیزی به این شکل رد می‌شوند. فایل را در Word یا ویرایشگر دیگری باز کنید و به‌صورت .docx، PDF یا متن ساده ذخیره کنید، سپس دوباره بارگذاری کنید. وقتی ابزار دیگری در این سایت آن نوع را باز می‌کند، ممکن است کنار پیام پیوندی مانند «به‌جای آن … را امتحان کنید.» ظاهر شود.

«کل کلمه‌ها» 37 می‌گوید، اما یادداشت زیر جدول می‌گوید «درصدها سهم از 25 مورد شمرده‌شده پس از فیلترها هستند.»

«کل کلمه‌ها» هر کلمهٔ متن را می‌شمارد. درصدها فقط موردهای باقی‌مانده پس از اعمال «حذف کلمه‌های توقف»، «کمینهٔ طول» و «این کلمه‌ها را هم نادیده بگیر» را به کار می‌برند (25 از 37 در نمونه)، پیش از «کمینهٔ تعداد» و «نمایش برترین‌ها». در زبانه‌های عبارت، مبنا تعداد عبارت‌هاست، 36 برای نمونهٔ 37 کلمه‌ای. برای شمردن همه چیز، «حذف کلمه‌های توقف» را بدون تیک کنید و «کمینهٔ طول» را روی 1 بگذارید.

کلمهٔ رایجی مانند «the»، یا کلمهٔ کوتاهی مانند «fox» در جدول نیست.

سه فیلتر کلمه‌ها را پنهان می‌کنند. «حذف کلمه‌های توقف» به‌طور پیش‌فرض تیک خورده است و فهرست زبان انتخابی را که شامل «the»، «and»، «with» و «not» است حذف می‌کند. «کمینهٔ طول» از 2 نویسه شروع می‌شود و تنظیم بالاتر کلمه‌های کوتاه را پنهان می‌کند. کلمه‌های نوشته‌شده در «این کلمه‌ها را هم نادیده بگیر» هم حذف می‌شوند. برای دیدن هر کلمه، کادر کلمه‌های توقف را بدون تیک کنید، «کمینهٔ طول» را روی 1 و «کمینهٔ تعداد» را روی 1 بگذارید، و برای متن غیرانگلیسی زبان درست کلمه‌های توقف را انتخاب کنید.

می‌گوید «هیچ نتیجه‌ای با فیلتر شما مطابقت ندارد.»

کادر «فیلتر نتایج…» فقط کلمه‌هایی را نشان می‌دهد که شامل چیزی هستند که نوشته‌اید، در هر حالتی، و کل فهرست را جست‌وجو می‌کند، نه فقط سطرهای دیده‌شده. پیام یعنی هیچ کلمه‌ای شامل آن متن نیست، پس کادر را پاک کنید یا املا را بررسی کنید؛ «fox» «foxes» را هم پیدا می‌کند. اگر هیچ جدولی دیده نمی‌شود در حالی که «کل کلمه‌ها» بالای صفر است، گزینه‌ها همهٔ کلمه‌ها را حذف کرده‌اند: «کمینهٔ تعداد» را کم کنید یا «حذف کلمه‌های توقف» را بدون تیک کنید.

مقایسه آن

شمارندهٔ ساده کلمه مجموع کلمه‌ها و نویسه‌ها را می‌دهد؛ این ابزار رتبه‌بندی می‌کند هر کلمه یا عبارت کوتاه متمایز چند بار می‌آید. فرم‌های دقیق را می‌شمارد، پس «dog» و «dogs» یا «fox» و «foxes» سطرهای جدایند، زیرا کلمه‌ها را به ریشه نمی‌رساند. فهرست‌های کلمه‌های توقف فهرست‌های کوتاه ثابت برای 17 زبان‌اند، نه فرهنگ لغت کامل، پس پیش از نتیجه‌گیری سطرهای بالا را بخوانید. هر بار روی یک متن کار می‌کند، عبارت‌های تا 3 کلمه را می‌شمارد و حداکثر 100 سطر را روی صفحه نشان می‌دهد، هرچند خروجی‌های صادرشده همهٔ سطرها را دارند. برای مجموعه‌های بزرگ متن، جدول محوری صفحه‌گسترده یا برنامهٔ تحلیل متن کار بیشتری می‌کند. در عوض چیزی برای نصب نیست و فایل شما روی دستگاهتان خوانده می‌شود.