Java文本统计需优先选对字符串处理方式：用codePoints()而非chars()统计真实字符数，用Unicode标点正则分词替代简单空格切分，Files.readString()比new String()更稳且自动处理BOM，String::lines()需手动检查末尾换行符。
Java 里做文本统计，核心不是“写个工具”，而是选对字符串处理方式——String 的不可变性、编码隐含风险、正则边界陷阱，会直接让字数/词频结果出错。
用 String::chars() 还是 String::codePoints() 统计字符数？
中文、emoji、生僻字（如 ?、?）在 UTF-16 中可能占两个 char（即一个代理对），只用 chars() 会把一个 emoji 算成 2 个字符。
-
chars()返回IntStream，按char值切分，对 BMP 外字符不安全 -
codePoints()才真正按 Unicode 字符（code point）计数，推荐用于“真实字符数”统计 - 示例："
??"（程序员 emoji）调用codePoints().count()得 1，chars().count()得 4（含零宽连接符）
按词频统计时，为什么 split("\s+") 不够用？
空格分词在中英文混排、标点紧贴文字、全角空格（u3000）等场景下会漏词或切错，比如 "hello，world！" 会被切为 ["hello，world！"]（没切开）。
- 优先用
Pattern.compile("[\p{P}\s]+").splitAsStream(str)，\p{P}匹配所有 Unicode 标点 - 若需保留英文单词但剥离中文标点，可先用
replaceAll("[\p{P}&&[^']]", " ")替换标点为空格，再split("\s+") - 注意：中文分词不能靠正则解决，遇到 "
南京市长江大桥"，简单切分无法识别“南京市”还是“南京市长”
文件读取时，Files.readString() 和 new String(bytes, charset) 哪个更稳？
二者都依赖正确编码；但 Files.readString()（Java 11+）默认用 UTF-8，而手动用 new String(bytes, charset) 容易传错 Charset 或忽略 BOM。
立即学习“Java免费学习笔记（深入）”；
- 读取带 BOM 的 UTF-8 文件时，
Files.readString()自动跳过 BOM；手写new String(…)会把 BOM 当作普通字符计入统计 - 若必须用旧版 Java，建议用
Files.newBufferedReader(path, StandardCharsets.UTF_8)+lines().collect(Collectors.joining(" ")) - 绝对不要用
FileReader——它硬编码平台默认编码，Windows 上读 UTF-8 文件必然乱码
最常被绕过的点：统计“行数”时，String::lines() 按
|
|
切分，但某些日志文件末尾缺换行符，会导致最后一行被忽略——得手动检查原始字符串是否以换行结尾。
