Contatore di parole e caratteri

Le parole vengono individuate dalla segmentazione Unicode delle parole del browser, e vengono contati solo i segmenti che contengono lettere, cifre o ideogrammi; punteggiatura, simboli e spazi presi da soli non contano. Nei browser attuali «l’acqua», «3,14» e «1.000» contano come una parola ciascuno, mentre «italo-americano» conta come 2, «state-of-the-art» come 4, e un orario come 12:30 o un indirizzo email come name@example.com come 2.

Alcuni programmi di videoscrittura e siti web contano come parola ogni sequenza di testo tra due spazi. Contano «italo-americano», 12:30 o un indirizzo web che inizia con https:// come una sola parola, dove questo contatore ne trova due o più, e possono contare come parola un trattino isolato o una «&» tra spazi, che questo contatore ignora. In un testo normale la differenza di solito è piccola; i testi con molti trattini, numeri, link o codice differiscono di più.

Sì. «Caratteri» include spazi, tabulazioni e a capo, e ogni a capo conta come un carattere e un byte UTF-8: il browser passa allo strumento ogni a capo della casella di testo come un singolo carattere LF, anche quando il testo proviene da Windows, dove i file di testo ne usano spesso due (CR LF). «Caratteri senza spazi» esclude spazi, tabulazioni, a capo e altri caratteri di spazio come lo spazio unificatore, ma conta comunque punteggiatura ed emoji.

Le righe sono separate dagli a capo, quindi le righe vuote contano e un a capo alla fine aggiunge un’ultima riga vuota; una riga lunga che va a capo solo sullo schermo conta come una. I paragrafi sono blocchi di testo separati da una o più righe vuote (prive di testo o con soli spazi), quindi le righe separate da un singolo a capo appartengono allo stesso paragrafo. Le frasi seguono le regole Unicode per le frasi, secondo cui un a capo chiude la frase: un titolo o una voce di elenco senza punteggiatura finale conta come frase, e lo stesso vale per ogni parte di una frase spezzata su più righe, come nel testo copiato da alcuni PDF. Un’abbreviazione come «Sig.» seguita da una parola con l’iniziale maiuscola di solito viene contata come fine della frase.

L’elenco conta separatamente ogni forma di una parola, considerando uguali maiuscole e minuscole, e non esclude le parole comuni. Non unisce forme come «casa» e «case», e in coreano lo stesso sostantivo con particelle diverse viene elencato separatamente. Imposta «Ignora le parole più corte di (caratteri)» su 4 per nascondere le parole da una a tre lettere; in cinese e giapponese, dove molte parole sono formate da un solo carattere, impostalo su 1 per vederle.

Non necessariamente. I valori predefiniti inseriscono solo limiti comuni e lo strumento non applica le regole di alcun servizio specifico. Secondo lo standard GSM usato da molte reti mobili, un SMS contiene 160 caratteri solo se tutti fanno parte dell’alfabeto GSM a 7 bit, e simboli come € occupano due posizioni. Con altri caratteri, come emoji, lettere della maggior parte delle scritture non latine o alcune lettere accentate, il limite di solito scende a 70 unità di codice UTF-16, da confrontare con il valore «Unità di codice UTF-16»; i testi più lunghi vengono inviati in più parti, ciascuna con un po’ meno spazio.

Lo strumento usa Intl.Segmenter, integrato nei browser attuali, che quindi danno risultati uguali o molto simili, anche se i confini di parole e frasi possono variare leggermente tra browser diversi e tra versioni dello stesso browser, più spesso nei testi in cinese, giapponese o thailandese, che non hanno spazi tra le parole. Alcuni browser meno recenti senza Intl.Segmenter possono comunque usare lo strumento con regole più semplici: i caratteri vengono contati come code point Unicode, le parole come testo tra spazi e le frasi in base alla punteggiatura finale e alle righe vuote, quindi i conteggi sono meno precisi, soprattutto per le emoji e per i testi in cinese, giapponese o thailandese.