Функция для подсчета количества одинаковых слов на разных языках

Во первых иероглифы пишутся слитно без разделения на слова пробелами, но это решаемо через регулярное выражение с специальными кодами. Можно выводить иероглифы отдельно как ключи и считать повторяющиеся иероглифы, но это иероглиф не равно слово - один иероглиф может быть одним словом или несколькими словами. То есть код должен знать что есть слово, а что словосочетание по идее. То есть если два отдельных иероглифа обозначают фразы в которые входит there, то для этого there есть иероглиф отдельный, который обозначает только это слово, и вот этот иероглиф по хорошему и нужно использовать.

Вот это уже не правильно 你好世界 - это фраза на китайском а не слово. При этом даже если бы вы сделали так чтобы выводилось по одному иероглифу, то все равно было бы не совсем верно, так как один иероглиф имеет одно значение, но в сочетании с другим иероглифом другое, плюс один иероглиф моет значить два слова, так в этой фразе 你好世界 - первые два иероглифа 你好 это слово Hello, в отдельности каждый из них это Hi и there. То есть фраза может выглядеть как Hello world или hi there world при переводе, на китайском как она воспринимается вообще известно только тем кто знает язык. Еще иероглиф сам по себе может не значить никакого конкретного слова вроде, а только в составе нескольких иероглифов что-то значить, тогда например код должен понимать, какие иероглифы в сочетании составляют слова.

Допустим такое может использоваться в анализаторе текста, для улучшения его читабельности и так далее, типа когда людю пишут повторяя одни и те же слова или да для анализа общей темы рассказа, если составить словарь слов, которые не нужно считать, например предлоги, местоимения. Плюс по хорошему вообще нужно наверно считать одинаковыми слова в разных падежах и склонениях, но это по задаче не обсуждается.