単語数と文字数の数え方

文字の4つの数え方

コンピューターはテキストを Unicode で保存しており、「文字」はいくつかのレベルで測ることができます。

• 書記素クラスターは、「é」「한」「👍🏽」のように、読み手が1文字として認識するものです。
• コードポイントは、個々の Unicode の値です。目に見える1文字が、複数のコードポイントでできていることがあります。
• UTF-16 のコード単位は、JavaScript の length やほかのいくつかのプログラミング言語が数えるものです。ほとんどの絵文字を含め、基本多言語面（BMP）の外にある文字は2単位を使います。
• UTF-8 のバイトは、ファイルやデータベースの列が保存するものです。ASCII の英字は1バイト、アクセント付きのラテン文字は通常2バイト、韓国語・中国語・日本語の文字は通常3バイト、絵文字は4バイト以上になります。

結合用アクセントと韓国語のテキスト

文字の中には、複数の方法で保存できるものがあります。「é」は、合成済みの1つのコードポイントの場合もあれば、通常の「e」の後に結合用アクセントが続く場合もあります。見た目は同じですが、後者はコードポイントが1つ、バイトが1つ多くなります。一部のオペレーティングシステムのファイル名など、特定のシステムからコピーしたテキストは、分解された形式を使っていることがあります。

韓国語にも同じ問題があります。「한」のような音節は通常1つのコードポイントとして保存されますが、画面上で組み合わされる個別の字母（ㅎ、ㅏ、ㄴ）として書くこともできます。書記素に基づくカウンターはどちらの場合も 1 と表示しますが、コードポイントで数えると 1 または 3 になります。Unicode 正規化（NFC または NFD）によって、2つの形式を相互に変換できます。

言語による単語の数え方の違い

英語では、空白で区切ればおおむね妥当な単語数になります。ただし、ハイフンでつないだ語、短縮形、数値、URL は、ツールによって数え方が異なることがあります。

中国語、日本語、タイ語は通常、単語の間に空白を入れずに書くため、空白で区切ると文全体が1語と数えられてしまいます。より優れたカウンターは、辞書と規則に基づく単語分割機能を使います。LeedyBox のカウンターはブラウザの Intl.Segmenter を使い、多くの言語で単語の境界を判定します。これらの言語での単語分割は慣習によるところが大きいため、結果がほかのツールや人の数えた結果と異なることがあります。そのため、これらの言語の出版社の中には、単語数ではなく文字数で数えるところもあります。

アプリやウェブサイトによってカウントが異なる理由

「最大280文字」や「VARCHAR(255)」のような制限は、システムによって書記素、コードポイント、UTF-16 のコード単位、バイトのいずれかで測られます。リンクを固定の長さとして数えたり、特定の文字体系を重く数えたりするサービスもあります。制限内に収める必要がある場合は、対象のシステムがどの単位を使っているかを調べ、その数値と比較してください。LeedyBox のカウンターは書記素、UTF-16 のコード単位、UTF-8 のバイト数を並べて表示し、文字数制限のチェック機能もあるため、該当する単位で上限までどのくらい余裕があるかを確認できます。

行、段落、改行

行数は、改行がどのように保存されているかによって変わります。Windows は通常2文字（CR LF）を使い、Linux と macOS は1文字（LF）を使います。文字をそのまま数えるツールでは、Windows の改行が2文字と数えられることがあります。テキスト末尾の改行は、余分な空行として数えられる場合とそうでない場合があります。段落は通常、1行以上の空行で区切られたまとまりとして数えられるため、段落内の1つの改行では新しい段落になりません。

読む時間の目安

読む時間は、単語数を想定した読む速度で割って計算します。実際の速度は読み手、言語、テキストの専門性によって変わり、単語数自体も単語分割に左右されます。この目安は測定値ではなく、計画を立てるための大まかな参考として扱ってください。

よくある質問