很少有杂志对文章字数有具体的要求，写的太多可能要付更多地版面费，太少了可能又无法将自己的研究内容清楚的表达出来。那么写多少字合适呢？废话不多说，我们来看数据。
再爬bioRxiv文献数据库
之前的文章已经介绍了bioRxiv上文章提交的数量，包括月提交量，年提交量等。具体参考：
但是在自己写文章的时候，突然冒出一个想法，会不会有些人在写文章的时候凑字数，比如文章具体研究内容很少，但是为了使文章看起来丰满，于是洋洋洒洒写了很多文章背景，而文章结果部分确很少，也就是呈现负相关。为了搞清这一个问题，所以再次爬了bioRxiv上所有文章各个部分字数的数据。
【数据和代码参加阅读原文】
与上次爬取文章标题和提交时间不同，这次需要爬取文章内容，并统计每一部分的字数。截止目前（2019年10月15日），bioRxiv上共约有62000多篇文献。这么大的数据量，爬取必然不容易。
bioRxiv网址可能存在反爬虫设置，爬取一段时间后，就无法访问了。在第一次爬取过程中，没有遇到这个问题。所以为了避免这个问题，首先爬取过程使用的IP代理，使用方法参考源代码；其次，设置了访问时间间隔，每个数秒或数十秒访问一次。同时为了避免给给服务器带来太大负担，影响其他人员访问，此次也没有使用多线程爬取。所以，在这种情况下， 爬完6万余篇文献足足用了好几天时间。
此外，有些文献没有网页版全文，只有PDF版，这部分文献并不多，此次爬取排除了此类文献。随后，经过数据清理等，一共得到了42348篇文献有效数据。
文章各部分字数分析
1、文章摘要
【竖直蓝色虚线为100到400每隔50做的刻度线】
上图是对各个文献摘要部分字数统计，中位数为227个字，其中最多的一篇文献的摘要写了1365个字！
此外，一个很有意思的是，在100，150，200，250，300，350，400处，有明显额高峰，这在文章其他部分是没有出现的！这可能是受到杂志摘要字数限制的原因。所以可以看出来，很多人都受到字数限制困扰。匆匆忙忙写好了文章，在投稿的时候为了满足杂志要求，不得不痛苦的删减字数，一个字一个字的删减，直到到了200！终于搞定！
2、文章前言
前言部分，最少的只写了33个字！不过仔细看看，它说别的文章已经介绍了，去参考其他文献吧。。。
前言最长的写了8568个字。中位字数为763个字。
3、 文章方法
文章方法部分普遍比前言部分多，最多的一篇文献对方法的描述达到了16100个字！中位字数为1438个字。
4、文章结果
文章结果是文章的重点部分，此部分一般字数比前言和方法都要多。最多的有20030个字数，中位字数为2329个字。
5、文章讨论
文章讨论是文章的点睛之笔，中位字数在1086个，有一位大神的文章讨论足足写了25546个字！比第二名的足足多了一万多字。
而最少的一位大神的讨论仅仅有35个字，确实，就一句话！
具体文章参考原始数据连接。
6、文献引用数量
文献应用数量差异也比较大，中位引用数量为53篇。其中，最多的一片文献引用了足足565篇文章。
7、 上述各部分比较
将上面各部分放在一起比较如下图：
【注，为了美观，横坐标字数截止到5000】
除了“摘要“部分，“前言”字数是论文作者们比较一致的，差别相对不大，其次是“讨论“部分，各篇文献差别也不大，而“结果“部分各篇文献的差别十分大！有不少人的“结果“部分写的很简短，也有不少人结果写了好几千字甚至上万字。
各部分字数相关性分析
对文章各部分字数的相关性分析，结果显示不管是正相关还是负相关，文章各个部分都有相关性。但是，实际上相关系数不大， 主要是数据样本量太大，造成检验灵敏度太高，即使很小的差异也能检验出来。
其中“方法”和“结果”相关系数略大一些，不过也好理解，方法介绍越多，可能得到的结果也越多。此外，“前言”和“讨论”部分也有很大相关性，但是前言越多，讨论越多？？
引用文献数量对文章长度的影响
文章引用文献的数量和文章的长度应当存在正相关性，文章越长，引用到的文献数量越多。下面对文献数量和文章各部分字数做了线性模型。结果如下：
结果和我们的预测很接近，也符合我们的预期。文章摘要部分一般没有引用文献，所以，文章摘要部分字数和文献数量没有关系。除了摘要之外，其他各个部分的字数均和引用文献数存在显著正线性关系。
其中“讨论”部分字数对文献数量影响最大，这很好理解。不过，我们的模型显示“结果”字数比“前言”字数对文献引用数量影响更大。一般“前言”部分会引用更多地文献，而“结果”部分通常较少引用文献。
总结
“摘要“删减字数是一个普遍的问题！
“前言”部分大家还比较保守，写的字数常常比较统一，但是到了“结果”和“讨论”部分，字数就差别很大，有些策马扬鞭、洋洋洒洒写了上万字，有些惜墨如金，短短数十数百字就结束了！
【谢谢关注】
数据和代码见：https://github.com/Yiguan/crawl_bioRxiv2
