Đếm từ & ký tự

Từ được xác định bằng tính năng tách từ Unicode của trình duyệt, và chỉ những đoạn có chữ cái, chữ số hoặc chữ tượng hình mới được đếm; dấu câu, ký hiệu và khoảng trắng đứng riêng thì không. Trong các trình duyệt hiện nay, "don't", "3.14" và "1,000" đều được tính là một từ, còn "well-known" được tính là 2, "state-of-the-art" là 4, và giờ như 12:30 hoặc địa chỉ email như name@example.com là 2. Tiếng Việt được tách theo dấu cách nên mỗi âm tiết là một từ, vì vậy "học sinh" được tính là 2 từ.

Một số trình soạn thảo và trang web tính mỗi cụm văn bản nằm giữa hai dấu cách là một từ. Chúng tính "well-known", 12:30 hoặc một địa chỉ web bắt đầu bằng https:// là một từ, trong khi công cụ này tìm thấy hai từ trở lên, và có thể tính một dấu gạch ngang hoặc ký hiệu "&" đứng riêng giữa các dấu cách là một từ, còn công cụ này thì bỏ qua. Với văn xuôi thông thường, chênh lệch thường nhỏ; văn bản có nhiều dấu gạch nối, số, liên kết hoặc mã sẽ chênh lệch nhiều hơn.

Có. "Ký tự" bao gồm dấu cách, tab và dấu xuống dòng, và mỗi dấu xuống dòng được tính là một ký tự và một byte UTF-8: trình duyệt chuyển mỗi dấu xuống dòng trong ô văn bản cho công cụ dưới dạng một ký tự LF duy nhất, kể cả khi văn bản đến từ Windows, nơi tệp văn bản thường dùng hai ký tự (CR LF). "Ký tự (không tính dấu cách)" bỏ qua dấu cách, tab, dấu xuống dòng và các ký tự khoảng trắng khác như dấu cách không ngắt dòng, nhưng vẫn tính dấu câu và emoji.

Dòng được tách tại các dấu xuống dòng, nên dòng trống cũng được tính, và một dấu xuống dòng ở ngay cuối văn bản sẽ thêm một dòng trống cuối cùng; một dòng dài chỉ tự xuống dòng trên màn hình vẫn tính là một dòng. Đoạn là các khối văn bản được ngăn cách bởi một hoặc nhiều dòng trống (rỗng hoặc chỉ chứa dấu cách), nên các dòng chỉ cách nhau bằng một dấu xuống dòng thuộc cùng một đoạn. Câu được xác định theo quy tắc câu của Unicode, trong đó dấu xuống dòng kết thúc một câu: tiêu đề hoặc mục danh sách không có dấu câu ở cuối được tính là một câu, và mỗi phần của một câu bị ngắt qua nhiều dòng cũng vậy, như trong văn bản sao chép từ một số tệp PDF. Chữ viết tắt như "TP." hoặc "Dr." theo sau là một từ viết hoa thường bị tính là kết thúc câu.

Danh sách đếm riêng từng dạng viết của từ, coi chữ hoa và chữ thường là như nhau, và không loại bỏ các từ thông dụng. Danh sách không gộp các dạng như "run" và "runs" trong tiếng Anh, và trong tiếng Hàn, cùng một danh từ đi kèm các trợ từ khác nhau được liệt kê riêng. Đặt "Bỏ qua từ ngắn hơn (ký tự)" thành 4 để ẩn các từ có một đến ba chữ cái, nhưng lưu ý rằng với tiếng Việt, nơi mỗi âm tiết được tính là một từ, nhiều âm tiết có nghĩa cũng sẽ bị ẩn; với tiếng Trung và tiếng Nhật, nơi nhiều từ chỉ có một ký tự, hãy đặt thành 1 để xem chúng.

Không hẳn. Các mức có sẵn chỉ điền những giá trị giới hạn thường gặp, và công cụ không áp dụng quy tắc của bất kỳ dịch vụ cụ thể nào. Theo chuẩn GSM mà nhiều mạng di động sử dụng, một tin SMS chỉ chứa được 160 ký tự khi mọi ký tự đều thuộc bảng chữ cái GSM 7 bit, và các ký hiệu như € chiếm hai vị trí. Nếu có ký tự khác, chẳng hạn emoji, chữ của hầu hết các hệ chữ không phải Latin hoặc một số chữ có dấu, trong đó có phần lớn chữ có dấu tiếng Việt như "ả" hay "ư", giới hạn thường giảm xuống 70 đơn vị mã UTF-16, bạn có thể so sánh với số "Đơn vị mã UTF-16"; tin dài hơn được gửi thành nhiều phần, mỗi phần chứa ít hơn một chút.

Công cụ dùng Intl.Segmenter có sẵn trong các trình duyệt hiện nay, nên chúng cho kết quả giống hoặc rất gần nhau, dù ranh giới từ và câu có thể xê dịch đôi chút giữa các trình duyệt và giữa các phiên bản trình duyệt, thường gặp hơn với văn bản tiếng Trung, tiếng Nhật hoặc tiếng Thái, vốn không có dấu cách giữa các từ. Một số trình duyệt cũ không có Intl.Segmenter vẫn chạy được công cụ với quy tắc đơn giản hơn: ký tự được đếm theo điểm mã Unicode, từ là phần văn bản giữa các dấu cách, và câu được xác định theo dấu câu cuối câu và dòng trống, nên kết quả đếm kém chính xác hơn, nhất là với emoji và văn bản tiếng Trung, tiếng Nhật hoặc tiếng Thái.