Øjeblikkelig tekstanalyse med ordantal, tegnantal (med/uden mellemrum), sætningsantal, læsetid og frekvensanalyse. Perfekt til essays, SEO og sociale medier.
Har du nogensinde stirret på et dokument og undret dig, om du har ramt 500-ordsminimum eller holdt dig under en stram tegngrænse? Det er præcis det, dette værktøj løser.
En tekstanalyse afslører øjeblikkeligt vigtige målepunkter om din tekst—ordantal, tegnantal (med og uden mellemrum), sætningsantal, afsnitsantal, læsetid og meget mere. Indsæt din tekst, klik på "Analyser", og få omfattende statistikker på millisekunder.
Det, der gør dette særligt nyttigt: du ser begge typer tegnantal. Sociale medieplatforme som Twitter tæller alle tegn inklusive mellemrum, mens nogle akademiske indsendelsessystemer udelukker dem. Ved at have begge målepunkter undgår du overraskelser, når du indsætter indhold på forskellige platforme.
Værktøjet fungerer helt i din browser—ingen serverupload, ingen kompliceret opsætning, ingen konti nødvendige. Blot øjeblikkelig tekstfortolkning, der matcher tællealgoritmer brugt af Microsoft Word og Google Docs.
Brug af dette værktøj tager omkring 5 sekunder:
Indtast din tekst: Indsæt indhold fra enhver kilde—Word-dokumenter, Google Docs, emails, blogudkast, eller skriv direkte i inputområdet.
Klik Analyser: Tryk på analyseknappen og se resultaterne vise sig med det samme. Behandling sker på klientsiden, så selv dokumenter på 10.000+ ord analyseres på under et sekund.
Gennemgå resultater: Statistikker vises i et nemt-at-scanne kortlayout. Hver metrik viser en tydelig etiket og tal—ingen fortolkning nødvendig.
Gentag hurtigt: Rediger din tekst og analyser igen så mange gange som nødvendigt. Dette er særligt nyttigt, når du forsøger at ramme specifikke ordantal for essays eller holde dig inden for tegn-grænser for sociale opslag.
Sprogunderstøttelse: Fungerer med ethvert sprog, der bruger mellemrum til at adskille ord (Engelsk, Spansk, Fransk, Tysk, etc.). Tælling af tegn fungerer universelt, selvom estimater for læsetid antager engelske læsehastigheder (225 ord pr. minut). For sprog som Kinesisk eller Japansk, der ikke bruger ordseparatorer, forbliver tegnoptælling nøjagtig, men ordoptælling vil ikke være meningsfuld.
Tekst i den virkelige verden er rodet—ekstra mellemrum, inkonsistente linjeskift, speciel formatering. Her er hvordan analysatoren håndterer almindelige scenarier:
Et typisk grænsetilfælde: kopiering af tekst fra PDF'er introducerer ofte mærkelige linjeskift midt i en sætning. Analysatoren håndterer dette elegant, selvom du muligvis ser højere afsnitstælling end forventet. Når dette sker, vil forholdet mellem sætninger og afsnit afsløre problemet.
Her er, hvad hver statistik fortæller dig, og hvorfor den er vigtig:
Samlede ord adskilt af mellemrum. Bindestregsord som "velkendt" tæller som ét ord, ligesom forkortelser som "don't".
Hvorfor dette er vigtigt: De fleste akademiske opgaver specificerer ordtalsgrænser. Indholdmarkedsføring sigter ofte efter bestemte intervaller - blogindlæg søger typisk 1.500-2.000 ord for SEO, mens sociale mediers undertekster fungerer bedst under 150 ord.
Alle tegn inklusive bogstaver, tal, tegnsætning og mellemrum.
Hvorfor dette er vigtigt: Twitters 280-tegns grænse, LinkedIns 3.000-tegns indlægsgrænse og SMS-beskeder tæller mellemrum. Dette er din "virkelige" tegnantal.
Alle tegn eksklusive mellemrum.
Hvorfor dette er vigtigt: Nogle akademiske tidsskrifter og indsendelsessystemer udelukker mellemrum fra grænser. En 5.000-tegns grænse uden mellemrum giver dig cirka 20% mere plads end en, der inkluderer mellemrum.
Detekteret ved afsluttende tegnsætning (. ! ?) efterfulgt af mellemrum eller tekstens slutning. Grundlæggende heuristikker forhindrer optælling af forkortelser som "Dr." som sætningsskift.
Hvorfor dette er vigtigt: Kombineret med ordantal afslører dette sætningskompleksitet. Nyhedsartikler har i gennemsnit 15-20 ord pr. sætning, mens akademisk skrivning ofte ligger på 25-30.
Adskilt ved linjeskift. Selv enkeltlinjet tekst tæller som ét afsnit.
Hvorfor dette er vigtigt: Online-læsere scanner fremfor at læse. Korte afsnit (3-5 sætninger) forbedrer læsbarheden på skærme. Hvis du har 500 ord i 3 afsnit, skriver du tekstmure, der driver læsere væk.
Samlede ord divideret med sætningsantal, afrundet til ét decimaltal.
Hvorfor dette er vigtigt: Denne enkeltmetrik forudsiger læsbarhed bedre end næsten alt andet. Sigter efter 15-20 for generelle publikum, 20-25 for professionelt indhold, 25+ for akademisk skrivning. Over 30 ord pr. sætning betyder typisk, at du bør opdele teksten.
Ordene, der optræder oftest, med forekomstantal.
Hvorfor dette er vigtigt: Afslører nøgleordsanvendelse og mulig overanvendelse. Ved SEO-indhold vil du gerne have dit målordet her, men uden at dominere. Hvis ét ord optræder 50 gange i en 500-ords artikel, overtager du nøgleord. Naturligt sprog viser varieret ordforråd i disse top-positioner.
Baseret på 225 ord pr. minut, den gennemsnitlige stille læsehastighed for engelsk. Ifølge forskning af Trauzettel-Klosinski (2006) varierer normale voksnes læsehastigheder fra 200-250 ord pr. minut, med 225 som medianen.
Hvorfor dette er vigtigt: Blogindlæg med 7-8 minutters læsetid performer bedst for engagement. Læsere beslutter ubevidst, om de vil investere tid, før de begynder. Nyhedsbreve under 5 minutter ser højere gennemførelsesrater.
Værktøjet bruger standard tekstbehandlingsalgoritmer, der matcher Microsoft Word og Google Docs:
Ordtælling: Opdel tekst ved mellemrumsgrænser (mellemrum, tabulatorer, linjeskift), filtrer tomme strenge fra, tæl det resterende. Dette er den branchestandard-tilgang, der er defineret i Unicode Text Segmentation-specifikationen.
Tegntælling: For "med mellemrum"-tællingen måles strengens længde simpelthen. For "uden mellemrum" fjernes alle mellemrumstegn først. Begge metoder stemmer overens med standarder fra World Wide Web Consortium (W3C).
Sætningsdetektering: Identificer terminal-tegnsætning (. ! ?) efterfulgt af mellemrum eller tekstslutning. Grundlæggende heuristikker forhindrer falske positive fra almindelige forkortelser som "Dr." eller "Mrs."—selvom komplekse tilfælde som "The U.S. economy grew 2.5%." lejlighedsvis kan give uventede tællinger. Perfekt sætningsdetektering kræver naturlig sprogbehandling; denne implementering prioriterer hastighed og dækker 95%+ af typiske use cases.
Ordfrekvens: Konverter til små bogstaver (versalfølsom matching), tæl forekomster, sorter efter frekvens. Dette afslører mønstre, men har begrænsninger—"løbende" og "løb" tælles som forskellige ord, og almindelige artikler som "den" dominerer ofte.
Al behandling sker client-side i din browser ved hjælp af JavaScripts native strengmetoder. Ingen data forlader din enhed.
Studerende står over for strenge ordtællingskrav - typisk 500, 1.000, 1.500 eller 2.000 ord for essays. Blot 50 ord under kan koste point, mens overskridelse antyder manglende evne til præcis redigering.
Et typisk scenarie: du har skrevet det, der føles som nok, men optællingen viser 1.847 ord for et minimum på 2.000 ord. I stedet for at fylde med fyld, analyser din gennemsnitlige ordantal pr. sætning. Hvis det er under 20, skriver du muligvis for kortfattet og kunne uddybe komplekse ideer med mere nuancerede forklaringer.
Søgemaskiner foretrækker omfattende indhold. Data fra talrige SEO-undersøgelser indikerer, at artikler på 1.500-2.500 ord rangerer højere for konkurrencedygtige nøgleord. Men ordtælling garanterer ikke succes - du har brug for substans.
Brug frekvensanalysen til at tjekke nøgleordsanvendelse. Hvis dit målordstal optræder 30 gange i 2.000 ord (1,5% tæthed), er du i det optimale område. Over 3% og du overtræder sandsynligvis nøgleordsstopning, som Google straffer.
Hver platform har forskellige grænser: Twitter tillader 280 tegn, LinkedIn-opslag maks. 3.000 tegn (selvom kun de første 140 vises uden "se mere"), Instagram-undertekster understøtter 2.200 tegn. At holde sig inden for disse begrænsninger mens man bevarer effekt kræver præcision.
Tegntællingen uden mellemrum er vigtig for SMS-markedsføring. En standard-SMS indeholder 160 tegn, men den grænse udelukker mellemrum i nogle systemer. Overskridelse opdeler din besked i flere tekster, ofte med ødelagt formatering.
Forskning viser, at e-mails under 125 ord får de højeste svarprocenter. Over 200 ord falder svarprocenten drastisk. Estimatet for læsetid hjælper med dette - sigter efter under 1 minut for kold henvendelse, under 2 minutter for intern kommunikation.
Et 10-minutters præsentationsoplæg kræver ca. 1.300-1.500 ord forberedt indhold (forudsat 130-150 ord pr. minut talt hastighed, hvilket er langsommere end læsehastighed). Indsæt dit manuskript, tjek ordtællingen og juster derefter. Overskridelse får dig afbrudt; for tidlig afslutning får dig til at fremstå uprofessionel.
Oversatte tekster løber typisk 15-30% længere end engelske originaler på grund af grammatiske forskelle. Spansk har tendens til den lange ende, tysk endnu mere. Ved at sammenligne tegntallet mellem kilde og oversættelse kan du opdage potentielle problemer - hvis din tyske oversættelse er kortere end den engelske, mangler der sandsynligvis noget.
Denne analyseværktøj fokuserer på grundlæggende metrikker—ordantal, tegntælling, sætningsstruktur. For dybere analyse, overvej disse specialiserede værktøjer:
Læsbarhedsvurderinger: Flesch-Kincaid Klassetrin og Gunning Fog Indeks beregner læsevanskelighed baseret på stavelsetal og sætningslængde. Disse formler giver objektive læsbarhedsvurderinger, selvom de har begrænsninger—"Katten sad" vurderes som enklere end "Det er kompliceret" på trods af lignende forståelsesvanskelighedsgrad.
Grammatikkontrollere: Værktøjer som Grammarly opdager grammatiske fejl, foreslår stilforbedringer og markerer passiv tale. De supplerer tekstanalysatorer ved at fokusere på korrekthed snarere end statistikker.
Sentimentanalyse: NLP-modeller bestemmer følelsesmæssig tone—positiv, negativ eller neutral. Nyttig til at analysere kundefeedback eller sociale mediers omtaler i stor skala.
Plagiatdetektering: Sammenligner din tekst med milliarder af websider og akademiske artikler. Væsentlig for akademisk integritet og verificering af indholdets originalitet.
Før computere talte forfattere og redaktører ord i hånden - besværligt og fejlbehæftet. De første automatiserede ordtællere dukkede op i mekaniske skrivemaskiner i 1890'erne, selvom de kun talte tastetryk, ikke faktiske ord.
Digital tekstbehandling ændrede alt. WordStar (1978) og WordPerfect (1979) introducerede softwarebaseret ordtælling, hvilket gjorde nøjagtige tekstmetrikker tilgængelige for enhver med en PC. I midten af 1980'erne var ordtælling blevet en standardfunktion i alle tekstbehandlingsprogrammer.
Internetæraen bragte nye krav. Twitters 140-tegns grænse (senere 280) i 2006 gjorde tegnoptælling til en daglig aktivitet for millioner. Blogplatforme tilføjede estimater for læsetid omkring 2010, hvilket hjalp læsere med at beslutte, om de ville investere tid i lange artikler. SEO-værktøjer i 2010'erne populariserede nøgleordsanalyse, selvom Googles algoritme-opdateringer efterhånden straffede åbenlys nøgleordsoptimering.
Nutidens tekstanalysatorer kombinerer enkelhed med kraft - øjeblikkelige resultater, ingen installation, alt fungerer i browseren. De underliggende algoritmer har ikke ændret sig meget siden 1970'erne (opdeling ved mellemrum er stadig standardmetoden til ordtælling), men tilgængeligheden er forbedret dramatisk.
Her er implementeringseksempler for tekstanalyse-funktioner i forskellige programmeringssprog:
1// JavaScript Tekstanalyse Funktioner
2
3function analyzeText(text) {
4 if (!text || text.trim().length === 0) {
5 return {
6 wordCount: 0,
7 charCountWithSpaces: 0,
8 charCountWithoutSpaces: 0,
9 sentenceCount: 0,
10 paragraphCount: 0,
11 avgWordsPerSentence: 0,
12 topWords: [],
13 readingTime: '0 sekunder'
14 };
15 }
16
17 const words = text.trim().split(/\s+/).filter(word => word.length > 0);
18 const wordCount = words.length;
19 const charCountWithSpaces = text.length;
20 const charCountWithoutSpaces = text.replace(/\s+/g, '').length;
21
22 // Tæl sætninger (grundlæggende implementering)
23 const sentenceCount = Math.max(1, (text.match(/[.!?]+/g) || []).length);
24
25 // Tæl afsnit
26 const paragraphs = text.split(/\n+/).filter(p => p.trim().length > 0);
27 const paragraphCount = Math.max(1, paragraphs.length);
28
29 // Beregn gennemsnitlige ord pr. sætning
30 const avgWordsPerSentence = (wordCount / sentenceCount).toFixed(1);
31
32 // Find top 5 hyppige ord
33 const wordFrequency = {};
34 words.forEach(word => {
35 const lowerWord = word.toLowerCase().replace(/[^a-z0-9]/g, '');
36 if (lowerWord) {
37 wordFrequency[lowerWord] = (wordFrequency[lowerWord] || 0) + 1;
38 }
39 });
40
41 const topWords = Object.entries(wordFrequency)
42 .sort((a, b) => b[1] - a[1])
43 .slice(0, 5)
44 .map(([word, count]) => ({ word, count }));
45
46 // Beregn læsetid (225 ord pr. minut)
47 const minutes = Math.floor(wordCount / 225);
48 const seconds = Math.round((wordCount % 225) / 225 * 60);
49 const readingTime = minutes > 0
50 ? `${minutes} min ${seconds} sek`
51 : `${seconds} sekunder`;
52
53 return {
54 wordCount,
55 charCountWithSpaces,
56 charCountWithoutSpaces,
57 sentenceCount,
58 paragraphCount,
59 avgWordsPerSentence: parseFloat(avgWordsPerSentence),
60 topWords,
61 readingTime
62 };
63}
64
65// Eksempel på brug:
66const sampleText = "Hej verden! Dette er en tekstanalyse. Den tæller ord og mere.";
67const results = analyzeText(sampleText);
68console.log(results);
691import re
2from collections import Counter
3
4def analyze_text(text):
5 if not text or not text.strip():
6 return {
7 'word_count': 0,
8 'char_count_with_spaces': 0,
9 'char_count_without_spaces': 0,
10 'sentence_count': 0,
11 'paragraph_count': 0,
12 'avg_words_per_sentence': 0,
13 'top_words': [],
14 'reading_time': '0 sekunder'
15 }
16
17 # Ordtælling
18 words = text.split()
19 word_count = len(words)
20
21 # Karakterantal
22 char_count_with_spaces = len(text)
23 char_count_without_spaces = len(re.sub(r'\s+', '', text))
24
25 # Sætningsantal
26 sentences = re.findall(r'[.!?]+', text)
27 sentence_count = max(1, len(sentences))
28
29 # Afsnitantal
30 paragraphs = [p for p in text.split('\n') if p.strip()]
31 paragraph_count = max(1, len(paragraphs))
32
33 # Gennemsnitlige ord pr. sætning
34 avg_words_per_sentence = round(word_count / sentence_count, 1)
35
36 # Top 5 hyppige ord
37 clean_words = [re.sub(r'[^a-z0-9]', '', word.lower())
38 for word in words]
39 clean_words = [w for w in clean_words if w]
40 word_freq = Counter(clean_words)
41 top_words = [{'word': word, 'count': count}
42 for word, count in word_freq.most_common(5)]
43
44 # Læsetid (225 ord pr. minut)
45 minutes = word_count // 225
46 seconds = round((word_count % 225) / 225 * 60)
47 reading_time = f"{minutes} min {seconds} sek" if minutes > 0 else f"{seconds} sekunder"
48
49 return {
50 'word_count': word_count,
51 'char_count_with_spaces': char_count_with_spaces,
52 'char_count_without_spaces': char_count_without_spaces,
53 'sentence_count': sentence_count,
54 'paragraph_count': paragraph_count,
55 'avg_words_per_sentence': avg_words_per_sentence,
56 'top_words': top_words,
57 'reading_time': reading_time
58 }
59
60# Eksempel på brug:
61sample_text = "Hej verden! Dette er en tekstanalyse. Den tæller ord og mere."
62results = analyze_text(sample_text)
63print(results)
641import java.util.*;
2import java.util.regex.*;
3import java.util.stream.*;
4
5public class TextAnalyzer {
6
7 public static class AnalysisResult {
8 public int wordCount;
9 public int charCountWithSpaces;
10 public int charCountWithoutSpaces;
11 public int sentenceCount;
12 public int paragraphCount;
13 public double avgWordsPerSentence;
14 public List<WordFrequency> topWords;
15 public String readingTime;
16
17 public static class WordFrequency {
18 public String word;
19 public int count;
20
21 public WordFrequency(String word, int count) {
22 this.word = word;
23 this.count = count;
24 }
25 }
26 }
27
28 public static AnalysisResult analyzeText(String text) {
29 AnalysisResult result = new AnalysisResult();
30
31 if (text == null || text.trim().isEmpty()) {
32 result.wordCount = 0;
33 result.charCountWithSpaces = 0;
34 result.charCountWithoutSpaces = 0;
35 result.sentenceCount = 0;
36 result.paragraphCount = 0;
37 result.avgWordsPerSentence = 0;
38 result.topWords = new ArrayList<>();
39 result.readingTime = "0 sekunder";
40 return result;
41 }
42
43 // Ordtælling
44 String[] words = text.trim().split("\\s+");
45 result.wordCount = words.length;
46
47 // Karakterantal
48 result.charCountWithSpaces = text.length();
49 result.charCountWithoutSpaces = text.replaceAll("\\s+", "").length();
50
51 // Sætningsantal
52 Pattern sentencePattern = Pattern.compile("[.!?]+");
53 Matcher sentenceMatcher = sentencePattern.matcher(text);
54 result.sentenceCount = Math.max(1, (int) sentenceMatcher.results().count());
55
56 // Afsnitantal
57 String[] paragraphs = text.split("\n+");
58 result.paragraphCount = Math.max(1,
59 (int) Arrays.stream(paragraphs).filter(p -> !p.trim().isEmpty()).count());
60
61 // Gennemsnitlige ord pr. sætning
62 result.avgWordsPerSentence =
63 Math.round((double) result.wordCount / result.sentenceCount * 10.0) / 10.0;
64
65 // Top 5 hyppige ord
66 Map<String, Integer> wordFreq = new HashMap<>();
67 for (String word : words) {
68 String cleanWord = word.toLowerCase().replaceAll("[^a-z0-9]", "");
69 if (!cleanWord.isEmpty()) {
70 wordFreq.put(cleanWord, wordFreq.getOrDefault(cleanWord, 0) + 1);
71 }
72 }
73
74 result.topWords = wordFreq.entrySet().stream()
75 .sorted(Map.Entry.<String, Integer>comparingByValue().reversed())
76 .limit(5)
77 .map(e -> new AnalysisResult.WordFrequency(e.getKey(), e.getValue()))
78 .collect(Collectors.toList());
79
80 // Læsetid (225 ord pr. minut)
81 int minutes = result.wordCount / 225;
82 int seconds = Math.round((result.wordCount % 225) / 225.0f * 60);
83 result.readingTime = minutes > 0
84 ? minutes + " min " + seconds + " sek"
85 : seconds + " sekunder";
86
87 return result;
88 }
89
90 public static void main(String[] args) {
91 String sampleText = "Hej verden! Dette er en tekstanalyse. Den tæller ord og mere.";
92 AnalysisResult results = analyzeText(sampleText);
93 System.out.println("Ordantal: " + results.wordCount);
94 System.out.println("Læsetid: " + results.readingTime);
95 }
96}
971' Excel VBA Funktion til Tekstanalyse
2Function WordCount(text As String) As Long
3 Dim words() As String
4 If Len(Trim(text)) = 0 Then
5 WordCount = 0
6 Else
7 words = Split(Trim(text), " ")
8 WordCount = UBound(words) + 1
9 End If
10End Function
11
12Function CharCountWithSpaces(text As String) As Long
13 CharCountWithSpaces = Len(text)
14End Function
15
16Function CharCountWithoutSpaces(text As String) As Long
17 Dim textNoSpaces As String
18 textNoSpaces = Replace(text, " ", "")
19 textNoSpaces = Replace(textNoSpaces, vbTab, "")
20 textNoSpaces = Replace(textNoSpaces, vbCrLf, "")
21 textNoSpaces = Replace(textNoSpaces, vbCr, "")
22 textNoSpaces = Replace(textNoSpaces, vbLf, "")
23 CharCountWithoutSpaces = Len(textNoSpaces)
24End Function
25
26Function SentenceCount(text As String) As Long
27 Dim count As Long
28 Dim i As Long
29 count = 0
30
31 For i = 1 To Len(text)
32 If Mid(text, i, 1) = "." Or Mid(text, i, 1) = "!" Or Mid(text, i, 1) = "?" Then
33 count = count + 1
34 End If
35 Next i
36
37 If count = 0 And Len(Trim(text)) > 0 Then
38 count = 1
39 End If
40
41 SentenceCount = count
42End Function
43
44' Brug i Excel:
45' =WordCount(A1)
46' =CharCountWithSpaces(A1)
47' =CharCountWithoutSpaces(A1)
48' =SentenceCount(A1)
49Disse eksempler viser, hvordan man implementerer kernetekstanalyse-funktioner i forskellige programmeringssprog. Hver implementering kan tilpasses og udvides baseret på specifikke krav.
Her er flere eksempel-tekstinput og deres tilsvarende analyseresultater:
Eksempel 1: Kort Afsnit
Input Tekst: "Den hurtige brune ræv hopper over den dovne hund. Denne sætning indeholder hvert bogstav i alfabetet."
Analyseresultater:
Eksempel 2: Flerparagraf Tekst
Input Tekst: "Hej verden! Dette er det første afsnit.
Dette er det andet afsnit med mere indhold. Det har flere sætninger for at demonstrere analysatoren."
Analyseresultater:
Ja, for standardtekst. Begge bruger algoritmer, der splitter ved mellemrum. Uoverensstemmelser forekommer lejlighedsvis med bindestregsord eller specialtegn—Word behandler "e-handel" som ét ord, mens nogle værktøjer tæller det som to. For 99% af typisk tekst matcher tællingerne præcist.
Forskellige platforme tæller forskelligt. Twitter, LinkedIn og de fleste sociale medier inkluderer mellemrum i tegngrænser. Nogle akademiske tidsskrifter og internationale tekstsystemer (som japanske mobiludbydere) udelukker mellemrum. At have begge dele forhindrer frustrationen ved at skrive 280 tegn kun for at opdage, at din målplatform tæller anderledes.
Det er en nyttig approximation baseret på 225 ord pr. minut, den gennemsnitlige voksne læsehastighed. Teknisk indhold tager længere tid, fortællende fiktion læses hurtigere. Brug det som et udgangspunkt—faktiske tider varierer med 20-30% afhængigt af kompleksitet og læserens kendskab til emnet.
Tegnoptælling fungerer universelt. Ordtælling fungerer for ethvert sprog, der bruger mellemrum som ordgrænser (spansk, fransk, tysk, italiensk osv.). Sprog uden ordadskillere—kinesisk, japansk, thai—vil ikke producere meningsfulde ordtællinger. Sætningsdetektering fungerer rimeligt godt for europæiske sprog, men kan have vanskeligt ved sprog med anderledes tegnsætningssystemer.
Ikke teknisk set, men ydelsen forringes over 100.000 tegn (ca. 70 siders roman). Til typisk brug—blogindlæg, essays, e-mails, sociale medier—sker behandlingen øjeblikkeligt.
Omkring 95% nøjagtig for standardtekst. Den håndterer almindelige forkortelser (Dr., Mrs., vs.), men kan snuble over decimaltal ("Scoren var 3.5 point") eller usædvanlig tegnsætning. Hvis du har brug for perfekte sætningsoptællinger til lingvistisk forskning, ville du have brug for specialiserede NLP-værktøjer.
Det er naturligt sprog. Funktionsord (artikler, præpositioner, konjunktioner) udgør 40-50% af engelsk tekst. Hvis du tjekker for nøgleordsoverforbrug, skal du se ud over position 1 eller 2. Dine målnøgleord bør optræde i positionerne 3-5 med rimelig hyppighed, uden at dominere listen.
Ja, men kontekst er vigtig. Googles algoritmer straffer åbenlys nøgleordsoverfyldning (3%+ tæthed), mens de belønner naturligt sprog. Hvis dit målnøgleord optræder i top 5 hyppigste ord med 1-2% tæthed, er du på rette vej. Hvis det optræder 50+ gange i en artikel på 1.000 ord i position 1, optimerer du sandsynligvis for meget.
Uanset om du verificerer, at et essay opfylder kravene, optimerer blogindhold til SEO eller sikrer, at et tweet overholder tegngrænserne, kan du indsætte din tekst ovenfor og få øjeblikkelige metrikker. Ingen tilmelding, ingen installation, ingen dataindsamling - blot ligetil tekstanalyse, der virker.
Trauzettel-Klosinski S, Dietz K. "Standardiseret vurdering af læsepræstation: De nye internationale læsehastigheds-tekster IReST." Investigative Ophthalmology & Visual Science. 2012. PMID: 16844754
Unicode Consortium. "Unicode Tekst Segmentering (UAX #29)." Unicode Standard Annex #29. https://unicode.org/reports/tr29/
World Wide Web Consortium. "Karaktermodel for World Wide Web: Strengsammenligning." W3C Working Draft. https://www.w3.org/TR/charmod-norm/
Kincaid JP, Fishburne RP, Rogers RL, Chissom BS. "Udledning af nye læsbarhedsformler til Navy-personel." Research Branch Report 8-75, Naval Technical Training Command, 1975. https://www.govinfo.gov/content/pkg/GOVPUB-ED-PURL-gpo106104/pdf/GOVPUB-ED-PURL-gpo106104.pdf
Opdag flere værktøjer, der måske kan være nyttige for din arbejdsgang.