专业的英语词汇量统计工具，支持三种文件类型的批量处理，基于三遍验证技术确保统计准确性。
- ✅ 三种文件类型支持：1双语、2原文、3外教
- ✅ 智能中文过滤：自动识别并过滤中文字符
- ✅ 三遍验证机制：使用三种方法交叉验证，确保准确性
- ✅ Markdown处理：智能处理外教对话中的Markdown标记
- ✅ 详细报告：生成包含汇总、唯一词列表、验证详情的TXT报告
- ✅ Web界面：简洁易用的Streamlit界面
- 安装依赖
pip install -r requirements.txt- 启动应用
streamlit run app.py- 打开浏览器
-
上传文件：上传一本书的3个文件
1双语-xxx.txt- 中英文混合内容2原文-xxx.txt- 纯英文原文3外教-xxx.md- 双语对话
-
开始统计：点击"开始统计"按钮
-
查看结果：查看每种类型的详细统计
-
下载报告：下载TXT格式的完整报告
- 总词数：文本中所有英文单词的数量（含重复）
- 唯一词数：去重后的不同单词数量
- 验证状态：三遍验证的结果（通过/差异）
- 高频词：出现频率最高的单词列表
使用三种方法交叉验证统计准确性：
- 方法1：正则表达式
\b[a-zA-Z]+\b - 方法2：split() + 手动过滤
- 方法3：多重正则模式
验证结果分级：
- ✅ 验证通过：三种方法结果完全一致
⚠️ 轻微差异：差异 ≤2个词（可接受）⚠️ 中等差异：差异 3-5个词（需注意）- ❌ 显著差异：差异 >5个词（需人工复核）
4词汇统计streamlit/
├── app.py # Streamlit主程序
├── requirements.txt # 依赖包
├── README.md # 项目说明
├── utils/ # 工具模块
│ ├── __init__.py
│ ├── verify.py # 三遍验证模块
│ ├── word_analyzer.py # 词汇分析模块
│ ├── text_cleaner.py # 文本清理模块
│ ├── book_processor.py # 书籍处理模块
│ └── txt_exporter.py # TXT导出模块
└── input/ # 测试文件（可选）
- Python 3.7+
- Streamlit - Web界面框架
- 正则表达式 - 文本处理
- Unicode - 中文字符识别
- 移除所有中文字符（
\u4e00-\u9fff） - 移除中文标点（
\u3000-\u303f） - 移除全角字符（
\uff00-\uffef） - 只保留英文单词
- 纯英文文本，无需特殊处理
- 直接统计英文单词
- 移除Markdown粗体标记（
**text**） - 移除所有中文字符和标点
- 保留对话人名（Sally、Pete等）
- 只统计英文单词
- 推送到GitHub
git init
git add .
git commit -m "Initial commit"
git push origin main- 部署到Streamlit Cloud
- 访问 https://share.streamlit.io/
- 连接GitHub仓库
- 选择
app.py作为主文件 - 点击部署
- 分享链接
部署完成后，获得公开访问链接，分享给同事使用。
TXT报告包含以下内容：
- 汇总统计：所有文件的总词数、唯一词数对比
- 详细统计：每种类型的完整统计信息
- 唯一词列表：按字母顺序排列的所有唯一单词
- 验证详情：三遍验证的详细结果
- 高频词汇：Top 20 高频词及出现次数
Q: 支持哪些文件格式？
A: 支持 .txt 和 .md 格式
Q: 如何处理中英文混合的文档？
A: 自动使用Unicode范围精确过滤中文字符
Q: 数字和符号会被统计吗？
A: 不会，只统计纯英文字母组成的单词
Q: 大小写敏感吗？
A: 不敏感，"The"和"the"算作同一个单词
Q: Sally、Pete等人名会被统计吗？
A: 会，它们是英文单词的一部分
如有问题或建议，请联系开发团队。
-
v1.1 (2025-11-14)
- ✅ 新增智能缩写处理（70+个标准缩写）
- ✅ 自动过滤说话人标记（Sally:、Pete:）
- ✅ 优化验证策略（优先使用智能缩写方法）
- ✅ 新增详细文档（改进说明、缩写处理规则）
-
v1.0 (2025-11-14)
- 初始版本
- 支持三种文件类型
- 三遍验证机制
- TXT报告导出