随机数生成器：指定范围生成随机数字（可去重/批量，2026）
随机数生成器：在指定范围内生成随机数字，可去重、可批量，讲清伪随机vs真随机、模除偏差、抽奖别用普通随机数的安全提醒。
随机数生成器：在指定范围内生成随机数字，可去重、可批量，讲清伪随机vs真随机、模除偏差、抽奖别用普通随机数的安全提醒。
下面这个随机数生成器工具，纯浏览器本地运行，即时出结果不上传数据。往下有原理和使用说明。
随机数生成器就是在你指定的范围里（比如 1 到 100）吐出无法提前预测的数字，可选去重、可一次批量生成——抽奖、随机分组、摇号排序、问卷抽样、游戏点数都靠它。上方工具直接输范围就能出结果，下面讲清它背后的原理和几个容易踩的坑。
屏幕上几乎所有"随机数"其实分两类。伪随机（PRNG）靠一个数学算法从"种子"推算出来，只要种子相同，序列就能完整复现——它不是真乱，是"看起来乱"。大多数编程语言默认用的是梅森旋转算法（Mersenne Twister，MT19937），周期长达 219937−1，且做到 623 维均匀分布，统计性质优秀，所以成了科学计算和游戏的默认选择（来源：ACM TOMACS 原始论文）。真随机（TRNG）则从物理现象取"熵"，比如热噪声、散粒噪声、电路抖动、大气噪声，结果不可复现（来源：Wikipedia: Hardware RNG）。
它用一组收音机接收大气噪声（本质是闪电产生的无线电静电），每台电台约每秒生成 12000 比特，分布在哥本哈根、都柏林等地，再把连续比特流转成整数或高斯分布输出。对多数用途，这种熵比纯算法伪随机更接近"真乱"（来源：RANDOM.ORG FAQ）。
把一个大随机数直接用取余（%）压进小范围，是最常见的错误写法。当范围长度不能整除生成器的取值总数时，靠前的那些数字会比靠后的多分到一次机会，分布就不均匀了——这就是 modulo bias（模除偏差）。正确做法是"拒绝采样"：落在偏差区间的数字直接丢弃重抽，保证每个数概率完全相等。一个合格的范围随机工具应当在内部处理掉这一步，你不必操心，但知道它存在能帮你判断工具靠不靠谱。
批量生成时"是否去重"对应统计学里两种抽样。可重复是"有放回抽样"，每次都从完整范围里抽，同一个数可能出现多次，适合模拟掷骰子、重复实验。去重是"无放回抽样"，抽出的数不再参与，适合抽奖不撞号、随机排座位、发放唯一编号。注意：去重时想要的个数不能超过范围容量（1–10 里抽不出 11 个不重复的数）。
| 类型 | 是否可预测 | 典型场景 |
|---|---|---|
| 伪随机 PRNG | 知道种子即可复现 | 游戏、抽样、教学、仿真 |
| 真随机 TRNG | 物理熵源，不可复现 | 彩票开奖、科研取样 |
| 密码学安全 CSPRNG | 即使知道算法也猜不出 | 密码、令牌、验证码 |
浏览器里的 Math.random() 和普通伪随机不是密码学安全的，输出理论上可被推断。凡是涉及密码、重置链接、抽奖防作弊、优惠码这类"被猜到就出事"的场景，要用专门的 CSPRNG——Python 的 secrets 模块、JS 的 crypto.getRandomValues()，而不是普通随机函数（来源：Practical Cryptography for Developers）。本工具适合日常抽签、分组、演示，正式抽奖建议结合可留痕、可公证的方案。
刷新后数字一样，是坏了吗？ 通常不是。如果工具固定了种子或缓存了结果，同样输入会得到同样输出，这正是伪随机的特性；换个种子或点重新生成即可。
能保证绝对均匀吗？ 单次不保证——随机本就允许连续出现相近数字；样本量越大，各数字出现频率才越接近相等，这是均匀分布的含义（来源：Wikipedia: Random number generation）。
范围两端取得到吗？ 看工具定义，多数"指定范围"是闭区间，即最小值和最大值本身都可能被抽中。