Đếm Số Từ Trong Chuỗi Python: Sửa Lỗi Đếm Sai

Trong quá trình lập trình xử lý văn bản, yêu cầu đếm số từ trong chuỗi là một bài toán kinh điển nhưng lại chứa nhiều “cạm bẫy” với sinh viên. Nhiều bạn thắc mắc tại sao code của mình chạy đúng với câu ngắn nhưng lại đếm sai hoàn toàn khi đọc dữ liệu từ file văn bản thực tế. Bài viết này sẽ giúp bạn chẩn đoán chính xác nguyên nhân và cung cấp 2 phương pháp chuẩn trị dứt điểm vấn đề này.

💡 Trả lời nhanh: Lỗi đếm số từ sai trong Python thường bắt nguồn từ việc sử dụng .count(' ') hoặc .split(' ') (có dấu cách ở giữa), khiến các khoảng trắng thừa, tab (\t) hoặc ký tự xuống dòng (\n) bị tính nhầm thành một từ. Cách sửa đơn giản nhất là dùng hàm split() không truyền tham số, Python sẽ tự động gom tất cả các khoảng trắng liên tiếp lại thành một dải phân cách duy nhất. Đối với chuỗi chứa nhiều dấu câu dính liền, hãy sử dụng thư viện Regex với biểu thức re.findall(r'\w+', s).

Đề bài 

Viết chương trình Python nhận vào một chuỗi ký tự bất kỳ và trả về tổng số từ có trong chuỗi đó.

Input: Một chuỗi văn bản s kiểu str. Chuỗi có thể chứa khoảng trắng thừa ở đầu/cuối, các khoảng trắng kép giữa các từ, ký tự tab (\t), ký tự xuống dòng (\n) và các dấu câu cơ bản.

Output: Một số nguyên int thể hiện tổng số từ hợp lệ có trong chuỗi.

Ràng buộc: Không sử dụng các thư viện NLP nặng (như NLTK hay spaCy), chỉ dùng các hàm built-in hoặc thư viện tiêu chuẩn của Python.

Phân tích 

Lỗi đếm số từ sai trong Python thường bắt nguồn từ việc sử dụng .count(' ') hoặc .split(' ') nguyên thủy, khiến các khoảng trắng thừa, tab hoặc ký tự xuống dòng bị tính nhầm thành một từ. Khi bạn tìm kiếm (search intent) cách khắc phục lỗi này, điều cốt lõi bạn cần hiểu là định nghĩa về “khoảng trắng” trong khoa học máy tính rộng hơn rất nhiều so với phím SpaceBar trên bàn phím. Nó bao gồm cả tab, newline và carriage return.

📌 Góc nhìn thực tế: Trong quá trình chấm bài môn Cấu trúc dữ liệu và Giải thuật, tôi nhận thấy 80% sinh viên năm nhất và năm hai bị fail các test case ẩn (hidden cases) trên hệ thống tự động chỉ vì test case đó chứa 2 dấu cách liên tiếp giữa các từ. Các em thường tư duy theo kiểu “số từ = số khoảng trắng + 1”, đây là một tư duy ngây thơ (naive logic) khi làm việc với dữ liệu thô (raw data).

Giả định bài toán

Để giải quyết triệt để, chúng ta cần thống nhất “từ” (word) là gì:

1. Mức cơ bản (Cách 1): Từ là một chuỗi ký tự được bao bọc bởi các khoảng trắng. Dấu câu dính liền với chữ cái sẽ được tính vào từ đó (Ví dụ: "Hello," là 1 từ).

2. Mức nâng cao (Cách 2): Từ chỉ bao gồm các chữ cái và chữ số (alphanumeric). Các dấu câu đóng vai trò như vách ngăn, không thuộc về từ.

Dựa trên giả định này, chúng ta sẽ đi từ phương pháp tận dụng behavior mặc định của kiểu chuỗi trong Python, cho đến phương pháp bóc tách dữ liệu bằng biểu thức chính quy.

Cách giải 1: Dùng hàm split() không tham số 

Sử dụng hàm split() mà không truyền bất kỳ đối số nào là cách thanh lịch và chuẩn xác (Pythonic) nhất để xử lý tình trạng khoảng trắng vô tổ chức trong chuỗi.

Ý tưởng cốt lõi

Hàm .split() trong Python có một hành vi mặc định (default behavior) rất đặc biệt mà nhiều tài liệu cơ bản hay bỏ sót. Khi gọi hàm split() không tham số, Python sẽ tự động coi một hoặc nhiều khoảng trắng liên tiếp (bao gồm cả space, tab \t, newline \n) là một dải phân cách duy nhất. Đồng thời, nó tự động bỏ qua các khoảng trắng ở đầu và cuối chuỗi. Sau khi tách chuỗi thành một danh sách (list) các từ, ta chỉ cần dùng hàm len() để đếm số phần tử của danh sách đó.

Các bước thực hiện

1. Nhận chuỗi đầu vào s.

2. Gọi hàm s.split() để tạo ra một danh sách chứa các từ hợp lệ, tự động phớt lờ mọi loại khoảng trắng thừa.

3. Gọi hàm len() bọc ngoài danh sách vừa tạo để lấy kết quả.

4. Trả về kết quả.

Minh họa tay (Trace)

Giả sử s = " Lỗi đếm \t từ \n "

• Bước 1: words_list = s.split()

• Trình biên dịch sẽ bỏ qua 2 dấu cách đầu, gom 3 dấu cách sau chữ “Lỗi” thành 1 vách ngăn, gom \t thành 1 vách ngăn, gom \n ở cuối và bỏ qua.

• Kết quả list: ['Lỗi', 'đếm', 'từ']

• Bước 2: word_count = len(['Lỗi', 'đếm', 'từ'])

• Output: 3 (Chuẩn xác, không bị đếm nhầm thành 7 hay 8).

Đánh giá

• Phù hợp người mới vì: Code cực kỳ ngắn gọn (thường chỉ mất 1 dòng), dễ nhớ và giải quyết ngay lập tức lỗi đếm sai do dữ liệu copy-paste bị dư khoảng cách.

• Ưu điểm: Nhanh, built-in, không cần import thư viện, tối ưu rất tốt bằng C backend của Python.

• Nhược điểm: Không bóc tách được từ nếu chuỗi thiếu khoảng trắng sau dấu câu. Ví dụ "Một,hai,ba" sẽ bị đếm là 1 từ vì không có khoảng trắng nào để làm vách ngăn.

• Độ phức tạp: O(N) về thời gian (N là chiều dài chuỗi) / O(N) về bộ nhớ (để lưu mảng danh sách các từ).

Cách giải 2: Dùng thư viện Regex (re.findall)

Khác với Cách 1 tìm vách ngăn để chẻ nhỏ chuỗi, sử dụng biểu thức chính quy (Regex) với re.findall() trực tiếp săn lùng và trích xuất các đối tượng thỏa mãn định nghĩa “từ”, phớt lờ hoàn toàn sự tồn tại của dấu câu hay khoảng trắng.

Ý tưởng cốt lõi

Sử dụng biểu thức chính quy re.findall(r'\w+', s) là phương pháp an toàn nhất khi chuỗi chứa nhiều dấu câu dính liền nhau. Trong Regex, ký hiệu \w đại diện cho “word character” (bao gồm chữ cái, chữ số và dấu gạch dưới _). Dấu + mang ý nghĩa “xuất hiện 1 hoặc nhiều lần”. Do đó, \w+ sẽ quét toàn bộ chuỗi và tóm gọn mọi cụm ký tự chữ/số liền nhau, lưu vào một list. Các ký tự không phải là chữ/số (như khoảng trắng, dấu phẩy, dấu chấm, ký tự đặc biệt) sẽ hoàn toàn bị bỏ qua.

Các bước thực hiện

1. Import thư viện re (Regular Expression) tích hợp sẵn của Python.

2. Định nghĩa mẫu (pattern) Regex là r'\w+'. Chữ r phía trước biểu thị raw string, giúp Python không nhầm lẫn các ký tự escape.

3. Dùng re.findall(pattern, s) để quét chuỗi và lấy về danh sách các từ hợp lệ.

4. Dùng hàm len() đếm số phần tử trong danh sách đó.

Minh họa tay (Trace)

Giả sử s = "Lỗi,đếm từ:Regex!"

• Bước 1: re.findall(r'\w+', "Lỗi,đếm từ:Regex!")

• Mẫu \w+ tìm thấy cụm chữ “Lỗi” → dừng lại ở dấu phẩy (không hợp lệ) → tìm tiếp được “đếm” → dừng ở khoảng trắng → tìm được “từ” → dừng ở dấu hai chấm → tìm được “Regex” → dừng ở dấu chấm than.

• Kết quả list: ['Lỗi', 'đếm', 'từ', 'Regex']

• Bước 2: len(...)

• Output: 4 (Chuẩn xác, dù các từ dính chặt vào dấu câu).

Khi nào nên dùng Cách 2?

Cách này đặc biệt cần thiết khi bạn viết script Cào dữ liệu (Web Scraping), phân tích cú pháp (Parsing) file log, hoặc chuẩn bị dữ liệu đầu vào cho các bài toán Học máy (Machine Learning) cơ bản, nơi dữ liệu thô bị trộn lẫn rất nhiều dấu câu không theo quy chuẩn.

Đánh giá

• Ưu điểm: Tính mạnh mẽ (robustness) rất cao, bóc tách chính xác từ nguyên thủy, không bị đánh lừa bởi lỗi đánh máy thiếu dấu cách của người dùng.

• Nhược điểm: Biểu thức chính quy chạy chậm hơn một chút so với các phương thức string built-in. Ngoài ra, regex pattern \w+ có thể đếm cả các chuỗi toàn số (ví dụ 123) thành một từ, bạn cần điều chỉnh pattern nếu muốn loại trừ số.

• Độ phức tạp: O(N) về thời gian (nhưng hằng số C lớn hơn cách 1) / O(N) về bộ nhớ.

So sánh nhanh 2 cách

Code đầy đủ

Cách 1 — Dùng hàm split() không tham số:

import unicodedata

def dem_tu_split(s: str) -> int:
    """
    Đếm số từ bằng phương pháp chia dải phân cách mặc định.
    Tự động xử lý khoảng trắng thừa, tab và ký tự xuống dòng.
    """
    # Chuẩn hóa chuỗi tiếng Việt về chuẩn NFC (khuyến nghị khi xử lý text)
    s = unicodedata.normalize('NFC', s)
    
    # split() không tham số gom tất cả khoảng trắng lại
    words_list = s.split()
    
    # Trả về chiều dài của danh sách từ
    return len(words_list)

# --- TEST NHANH ---
# assert dem_tu_split("  Học   Python \n  ") == 2
# assert dem_tu_split("Một,hai,ba") == 1 # Hạn chế của Cách 1

# Khối chạy thực tế
if __name__ == "__main__":
    try:
        chuoi_input = input("Nhập chuỗi cần đếm số từ: ")
        ket_qua = dem_tu_split(chuoi_input)
        print(f"Tổng số từ trong chuỗi là: {ket_qua}")
    except Exception as e:
        print(f"Có lỗi xảy ra trong quá trình xử lý: {e}")

Cách 2 — Dùng thư viện Regex (re.findall):

import re
import unicodedata

def dem_tu_regex(s: str) -> int:
    """
    Đếm số từ bằng Regex. Trích xuất trực tiếp các chuỗi ký tự/số,
    bỏ qua hoàn toàn dấu câu và khoảng trắng phức tạp.
    """
    s = unicodedata.normalize('NFC', s)
    
    # Mẫu \w+ lấy các từ. Regex Python 3 mặc định hỗ trợ Unicode (tiếng Việt).
    pattern = r'\w+'
    words_list = re.findall(pattern, s)
    
    return len(words_list)

# --- TEST NHANH ---
# assert dem_tu_regex("Một,hai,ba!!!") == 3 # Khắc phục được nhược điểm của Cách 1

if __name__ == "__main__":
    try:
        chuoi_input = input("Nhập chuỗi văn bản thô: ")
        ket_qua = dem_tu_regex(chuoi_input)
        print(f"Tổng số từ bóc tách được: {ket_qua}")
    except Exception as e:
        print(f"Lỗi Regex hoặc hệ thống: {e}")

Ví dụ chạy thử 

Lỗi thường gặp 

Lỗi 1: Đếm số từ bằng s.count(‘ ‘) + 1

Tư duy đếm số lượng dấu cách cộng thêm 1 là lỗi logic phổ biến nhất ở những người mới bắt đầu học lập trình. Phương pháp này chỉ đúng trên giấy hoặc với dữ liệu do giáo viên mớm sẵn theo chuẩn mực hoàn hảo.

Hiện tượng: Output ra số từ lớn hơn thực tế rất nhiều. Ví dụ chuỗi "a b" ra kết quả là 3 thay vì 2.

Nguyên nhân: Vì thuật toán này không đếm “từ”, mà nó đếm “khoảng hở”. Khi có 2 khoảng trắng đứng cạnh nhau, nó đếm thành 2 khoảng hở, dẫn đến logic từ = khoảng hở + 1 bị sụp đổ hoàn toàn. Nó cũng sai ngay lập tức nếu chuỗi có khoảng trắng ở đầu hoặc cuối.

Code sai:

# output sai là: 4 (với chuỗi "  a b ")
so_tu = s.count(' ') + 1 

Code đúng:

# output đúng là: 2
so_tu = len(s.split()) 

Lỗi 2: Truyền khoảng trắng vào hàm s.split(‘ ‘)

Đây là phiên bản “nâng cấp” lỗi của lỗi số 1. Nhiều bạn biết phải dùng hàm split(), nhưng lại theo thói quen truyền tham số dấu cách vào trong ngoặc tròn.

Hiện tượng: Output đếm số từ bị dư. Khi in danh sách ra màn hình, bạn sẽ thấy xuất hiện các phần tử chuỗi rỗng ''.

Nguyên nhân: Vì khi bạn chỉ định rõ dải phân cách là ' ' (một dấu cách đơn), Python sẽ làm đúng theo lệnh một cách máy móc. Nếu gặp "a b" (2 dấu cách liên tiếp), nó sẽ cắt tại dấu cách thứ nhất, rồi lại cắt tại dấu cách thứ hai, sinh ra một phần tử rỗng ở giữa: ['a', '', 'b']. Hệ quả là hàm len() đếm ra 3 phần tử.

Code sai:

# output sai là: sinh ra ['a', '', 'b'], len = 3
words = s.split(' ') 

Code đúng:

# output đúng là: sinh ra ['a', 'b'], len = 2
words = s.split() # Bỏ trống tham số

Lỗi 3: Không xử lý chuỗi rỗng hoặc khoảng trắng hoàn toàn

Một chương trình mạnh mẽ (robust) phải lường trước được trường hợp người dùng cố tình hoặc vô ý không nhập gì cả.

Hiện tượng: Chương trình trả về 1 từ thay vì 0 từ khi người dùng chỉ nhập toàn dấu cách (Ví dụ: s = " ").

Nguyên nhân: Vì nếu bạn dùng phương pháp đếm thủ công hoặc split(' ') sai lầm ở trên, danh sách sinh ra sẽ chứa 1 phần tử là khoảng trắng hoặc mảng bị khởi tạo sai. Rất may mắn, hành vi mặc định của hàm split() không tham số giải quyết luôn cả lỗi này, nó sẽ trả về mảng rỗng [] và độ dài bằng 0.

Code dễ dính bug:

# Sẽ lỗi nếu logic đếm phụ thuộc vào dấu hiệu nhận biết từ
if s == '': return 0 # Thiếu trường hợp chuỗi chứa toàn dấu cách

Code đúng:

# Không cần if/else, split() tự xử lý an toàn mọi trường hợp
return len(s.split()) 

Lỗi 4: Lạm dụng hàm replace() để xóa khoảng trắng kép

Để khắc phục lỗi số 1 và số 2, một số sinh viên có xu hướng viết vòng lặp tìm và thay thế s.replace(' ', ' ') liên tục cho đến khi không còn khoảng trắng kép nào.

Hiện tượng: Code chạy được, ra output đúng, nhưng tốn thời gian xử lý rất lâu với các đoạn văn bản dài (Time Limit Exceeded).

Nguyên nhân: Vì hàm chuỗi trong Python là bất biến (immutable). Mỗi lần bạn gọi replace(), bộ nhớ phải cấp phát để tạo ra một bản sao chuỗi mới hoàn toàn. Vòng lặp while ' ' in s: sẽ bào mòn CPU và RAM một cách vô ích.

Code sai (kém tối ưu):

# Xử lý cồng kềnh, độ phức tạp O(N^2) trong trường hợp tệ nhất
while '  ' in s:
    s = s.replace('  ', ' ')
so_tu = len(s.split(' '))

Code đúng:

# Độ phức tạp O(N), chạy chớp nhoáng
so_tu = len(s.split())

Lỗi 5: Đếm nhầm thẻ HTML hoặc ký tự Markdown thành từ

Khi cào dữ liệu văn bản từ website, văn bản thường bị dính các thẻ <p>, <a> hoặc ký tự đặc biệt của Markdown.

Hiện tượng: Output đếm số từ cao hơn thực tế (Ví dụ: "Chào <br> bạn" đếm thành 3 từ).

Nguyên nhân: Vì cả 2 cách split() và re.findall(r'\w+') cơ bản đều coi br là một chuỗi ký tự hợp lệ. Các hàm xử lý chuỗi cơ bản không có khả năng hiểu ngữ nghĩa của ngôn ngữ đánh dấu (Markup language). Bạn cần làm sạch (sanitize) dữ liệu trước khi đếm.

Cách khắc phục: Trước khi gọi hàm đếm số từ, bạn phải dùng Regex để xóa sạch HTML tags, hoặc dùng thư viện chuyên dụng như BeautifulSoup để trích xuất text thuần túy.

Câu hỏi thường gặp

Đếm số từ trong chuỗi Python là gì và tại sao lại quan trọng?

Đếm số từ trong chuỗi Python là quá trình phân tích một văn bản đầu vào để xác định chính xác số lượng cụm từ có ý nghĩa trong đó. Thao tác này cực kỳ quan trọng trong thực tế khi bạn cần đếm giới hạn số từ của bài viết (như trên Twitter, blog), tính toán chi phí dịch thuật theo số từ, hoặc tiền xử lý dữ liệu cho xử lý ngôn ngữ tự nhiên (NLP).

Hàm split trong đếm số từ hoạt động như thế nào?

Hàm split() là một phương thức tích hợp sẵn của kiểu chuỗi (string) trong Python. Khi được dùng để đếm số từ mà không truyền tham số, nó sẽ quét qua toàn bộ chuỗi, tự động nhận diện mọi chuỗi khoảng trắng liên tiếp (dấu cách, tab, enter) làm ranh giới. Nó cắt văn bản tại các ranh giới này, vứt bỏ khoảng trắng đi và trả về một danh sách (list) chỉ chứa các từ thuần túy.

Làm thế nào để đếm số từ trong chuỗi Python mà không phân biệt hoa thường?

Trong bài toán đếm số lượng tổng quát (word count), việc chữ hoa hay chữ thường (Ví dụ: “Python” và “python”) không ảnh hưởng đến tổng số lượng từ đếm được, mỗi chữ vẫn tính là 1 từ. Tuy nhiên, nếu bạn đang giải bài toán đếm tần suất xuất hiện của từng từ cụ thể, bạn phải chuyển toàn bộ chuỗi về chữ thường bằng hàm s.lower() trước khi áp dụng hàm split() hoặc Regex để chúng gom nhóm chính xác.

Sử dụng thư viện re.findall để đếm số từ trong chuỗi Python có khó không?

Không khó nếu bạn hiểu cú pháp cơ bản của Regex. Để trích xuất từ, bạn chỉ cần nạp thư viện import re và sử dụng lệnh re.findall(r'\w+', s). Trong đó \w+ là câu thần chú yêu cầu Python bắt tất cả các cụm cấu tạo từ chữ cái hoặc chữ số. Nó mạnh mẽ hơn hàm cơ bản vì nó tự động lược bỏ mọi dấu câu phiền toái bám quanh các chữ.

Nên dùng split hay Regex để giải quyết lỗi đếm số từ trong chuỗi?

Nên dùng split() không tham số nếu dữ liệu của bạn là văn bản chuẩn, sạch sẽ, chỉ bị lỗi gõ thừa dấu cách giữa các từ, vì nó chạy nhanh và code ngắn gọn. Ngược lại, bắt buộc phải dùng thư viện Regex nếu dữ liệu của bạn thô, hỗn độn, các từ dính sát vào dấu câu (như dấu phẩy, dấu chấm) mà không có khoảng trắng phân cách.

Sự khác biệt lớn nhất giữa s.split(‘ ‘) và s.split() là gì?

Sự khác biệt nằm ở cách xử lý khoảng trắng liên tiếp. s.split(' ') có chứa khoảng trắng bên trong ngoặc sẽ chẻ nhỏ chuỗi một cách cứng nhắc tại từng dấu cách một, sinh ra các chuỗi rỗng '' vào trong danh sách nếu có nhiều dấu cách liền nhau. Trong khi đó, s.split() không có tham số thông minh hơn, nó sẽ hợp nhất toàn bộ các khoảng trắng thừa lại thành một điểm cắt duy nhất, không bao giờ sinh ra chuỗi rỗng.

Tại sao code đếm số từ trong chuỗi Python của tôi chạy sai khi đọc từ file txt?

Code của bạn có thể đang dùng thuật toán đếm dấu cách thủ công. Khi đọc từ file .txt, cuối mỗi dòng văn bản thường có ký tự xuống dòng ẩn \n, và có thể thụt lề bằng phím Tab \t. Thuật toán đếm dấu cách không nhận diện được các ký tự ẩn này, dẫn đến đếm sai. Hãy đổi sang dùng hàm split() không tham số để khắc phục triệt để.

Kết luận

Bài toán đếm số từ trong chuỗi tuy đơn giản nhưng lại là bài kiểm tra sự tinh tế của người lập trình khi đối phó với dữ liệu phi cấu trúc. Để khắc phục lỗi đếm sai do khoảng trắng thừa, bạn hãy luôn nhớ nguyên tắc: từ bỏ việc đếm dấu cách thủ công. Hãy dùng hàm split() không tham số cho các bài tập thông thường và trang bị thêm kỹ năng dùng Regex re.findall() cho các tác vụ xử lý dữ liệu phức tạp trong tương lai.

Các khóa học liên quan: 

• Làm chủ Python trong 4 tuần

• Học python căn bản thông qua lập trình 1 game

• Python Excel cho người đi làm

• Học lập trình Python cho mọi lứa tuổi

• Thành thạo xử lý dữ liệu với Python

• Tập làm kĩ sư Amazon vận hành robot nông nghiệp với Python

Một số sản phẩm từ Python:

• Tool MMO: “Máy xay clip” chuẩn MMO cho TikTok, YouTube Shorts, Facebook Reels

Một số sách lập trình Python bạn hãy tham khảo

• Tiki: Python
• Shopee: Pyhon