Счётчик слов и символов

Слова находит встроенная в браузер сегментация слов Unicode, и учитываются только сегменты с буквами, цифрами или иероглифами; знаки препинания, символы и пробелы сами по себе словами не считаются. В современных браузерах «3,14», «3.14» и «don't» считаются одним словом каждое, «кто-то» и «well-known» — двумя, «state-of-the-art» — четырьмя, а число «1 000», записанное с обычным пробелом, время вроде 12:30 и адрес электронной почты вроде name@example.com — двумя словами каждое.

Некоторые текстовые редакторы и сайты считают словом каждый фрагмент текста между пробелами. Они считают одним словом «кто-то», 12:30 или веб-адрес, начинающийся с https://, тогда как этот счётчик находит два слова или больше, и могут считать словом отдельное тире или «&» между пробелами, которые этот счётчик пропускает. Для обычного текста разница обычно невелика; тексты с множеством дефисов, чисел, ссылок или кода расходятся сильнее.

Да. «Символы» включают пробелы, табуляции и переводы строк, и каждый перевод строки считается одним символом и одним байтом UTF-8: браузер передаёт инструменту каждый перевод строки из поля ввода как один символ LF, даже если текст взят из Windows, где в текстовых файлах часто используются два символа (CR LF). «Символы без пробелов» не учитывают пробелы, табуляции, переводы строк и другие пробельные символы, например неразрывные пробелы, но учитывают знаки препинания и эмодзи.

Строки разделяются переводами строк, поэтому пустые строки тоже учитываются, а перевод строки в самом конце добавляет пустую последнюю строку; длинная строка, которая лишь переносится на экране, считается одной. Абзацы — это блоки текста, разделённые одной или несколькими пустыми строками (совсем пустыми или содержащими только пробелы), поэтому строки, разделённые одним переводом строки, относятся к одному абзацу. Предложения определяются по правилам Unicode для границ предложений, в которых перевод строки завершает предложение: заголовок или пункт списка без знака препинания в конце считается предложением, как и каждая часть предложения, разбитого на несколько строк, — например, в тексте, скопированном из некоторых PDF. Сокращение вроде «ул.», за которым следует слово с заглавной буквы, обычно считается концом предложения.

Список учитывает каждую словоформу отдельно, не различая заглавные и строчные буквы, и не исключает частые слова. Он не объединяет формы вроде «дом», «дома» и «домом», а в корейском одно и то же существительное с разными частицами показывается отдельно. Установите для «Не учитывать слова короче (символов)» значение 4, чтобы скрыть слова из одной–трёх букв; в китайском и японском, где многие слова состоят из одного иероглифа, установите 1, чтобы их увидеть.

Не обязательно. Шаблоны лишь подставляют распространённые значения лимита, а инструмент не применяет правила какого-либо конкретного сервиса. По стандарту GSM, который используют многие мобильные сети, в одно SMS помещается 160 символов, только если все они входят в 7-битный алфавит GSM, а символы вроде € занимают две позиции. С другими символами, например эмодзи, буквами большинства нелатинских алфавитов, включая кириллицу, или некоторыми буквами с диакритикой, лимит обычно снижается до 70 кодовых единиц UTF-16 — сравните его со значением «Кодовые единицы UTF-16»; более длинный текст отправляется несколькими частями, в каждую из которых помещается немного меньше.

Инструмент использует Intl.Segmenter, встроенный в современные браузеры, поэтому они дают одинаковые или очень близкие результаты, хотя границы слов и предложений могут слегка различаться в разных браузерах и их версиях — чаще в текстах на китайском, японском или тайском, где между словами нет пробелов. Некоторые старые браузеры без Intl.Segmenter всё же могут запустить инструмент с более простыми правилами: символы считаются как кодовые точки Unicode, слова — как текст между пробелами, а предложения — по знакам конца предложения и пустым строкам, поэтому результаты менее точны, особенно для эмодзи и текстов на китайском, японском или тайском.