Azonnali szövegelemzés szószámolással, karakterszámolással (szóközökkel/szóközök nélkül), mondatszámolással, olvasási idővel és gyakoriság-elemzéssel. Tökéletes dolgozatokhoz, SEO-hoz és közösségi médiához.
Valaha is bámult egy dokumentumot, és töprengett, hogy elérte-e a 500 szavas minimumot vagy bent maradt-e a szoros karakterkorlátban? Pontosan ezt oldja meg ez az eszköz.
A szövegvizsgáló azonnal feltárja az írás kulcsfontosságú mutatóit - szavak száma, karakterek száma (szóközökkel és szóközök nélkül), mondatok száma, bekezdések száma, olvasási idő és egyebek. Illessze be a tartalmát, kattintson az "Elemzés" gombra, és szerezzen átfogó statisztikákat pillanatok alatt.
Ami különösen hasznossá teszi: láthatja mindkét típusú karakterszámot. A közösségi média platformok, mint a Twitter, minden karaktert számolnak, beleértve a szóközöket is, míg egyes akadémiai beküldési rendszerek kizárják azokat. Mindkét mutató ismerete azt jelenti, hogy nem éri meglepetés, amikor tartalmat másol át különböző platformokra.
Az eszköz teljes egészében a böngészőjében működik - nincs szerverfeltöltés, nincs bonyolult beállítás, nem szükségesek fiókok. Csak azonnali szövegelemzés, amely megfelel a Microsoft Word és a Google Docs által használt számolási algoritmusoknak.
A eszköz használata körülbelül 5 másodpercet vesz igénybe:
Szöveg bevitele: Illessze be a tartalmat bármilyen forrásból - Word dokumentumok, Google Dokumentumok, e-mailek, blogbejegyzések, vagy írja be közvetlenül a beviteli mezőbe.
Elemzés indítása: Kattintson az elemzés gombra, és figyelje, ahogy az eredmények azonnal megjelennek. A feldolgozás ügyféloldalon történik, így még a 10 000+ szavas dokumentumok elemzése is kevesebb, mint egy másodperc alatt megtörténik.
Eredmények áttekintése: A statisztikák könnyen áttekinthető kártya elrendezésben jelennek meg. Minden mutató egyértelmű felirattal és számmal rendelkezik - nem igényel értelmezést.
Gyors ismétlés: Szerkessze a szöveget, és elemezze újra tetszőleges alkalommal. Ez különösen hasznos, amikor meghatározott szószámot szeretne elérni egy esszénél, vagy karakterkorlátok között szeretne maradni közösségi bejegyzéseknél.
Nyelvi támogatás: Működik bármely olyan nyelven, amely szóközökkel választja el a szavakat (angol, spanyol, francia, német stb.). A karakterszámlálás univerzálisan működik, bár az olvasási idő becslése angol olvasási sebességet feltételez (225 szó percenként). Olyan nyelvek esetében, mint a kínai vagy a japán, amelyek nem használnak szóelválasztókat, a karakterszámlálás pontos marad, de a szószámlálás nem lesz értelmezhető.
A valós világbeli szövegek rendszertelenül néznek ki - extra szóközök, következetlen sortörések, speciális formázás. Íme, hogyan kezeli az elemző a gyakori forgatókönyveket:
Egy gyakori szélső eset: PDF-ekből történő szövegmásolás gyakran furcsa sortöréseket vezet be mondatokon belül. Az elemző ezt ügyesen kezeli, bár magasabb bekezdésszámot láthat. Amikor ez történik, a mondat-bekezdés arány feltárja a problémát.
Íme, mit mondanak az egyes statisztikák és miért fontosak:
A szóközökkel elválasztott összes szó. A kötőjellel írt szavak, mint a „jól-ismert", egy szónak számítanak, akárcsak a rövidítések, mint a „nem".
Miért fontos: A legtöbb tudományos feladat meghatároz szómennyiségi követelményeket. A tartalommarketing gyakran céloz meg bizonyos tartományokat is – a blogbejegyzések általában 1500-2000 szót céloznak meg SEO szempontból, míg a közösségi média bejegyzések 150 szó alatt a leghatékonyabbak.
Minden karakter, beleértve a betűket, számokat, írásjeleket és szóközöket.
Miért fontos: A Twitter 280 karakteres, a LinkedIn 3000 karakteres bejegyzési korlátja és az SMS mind számolják a szóközöket. Ez a valós karakterszám.
Minden karakter, a whitespace kizárásával.
Miért fontos: Egyes tudományos folyóiratok és beküldési rendszerek kizárják a szóközöket a korlátozásból. Egy 5000 karakteres korlát szóközök nélkül körülbelül 20%-kal több teret ad, mint egy, amelyik tartalmazza a szóközöket.
Végződő írásjelek (. ! ?) által detektálva, szóköz vagy szövegvég után. Alapvető heurisztikák megakadályozzák a rövidítések, mint a „Dr." mondattörésként való számolását.
Miért fontos: A szavak számával kombinálva feltárja a mondatok összetettségét. A híranyagok átlagosan 15-20 szót tartalmaznak mondatonként, míg a tudományos írások gyakran 25-30 szavasak.
Sortörésekkel elválasztva. Még az egyetlen soros szöveg is egy bekezdésnek számít.
Miért fontos: Az online olvasók inkább pásztáznak, mint olvasnak. A rövid bekezdések (3-5 mondat) javítják az olvashatóságot képernyőn. Ha 500 szavad van 3 bekezdésben, akkor olyan szövegfalakat írsz, amelyek elriasztják az olvasókat.
Összes szó elosztva a mondatok számával, egy tizedesre kerekítve.
Miért fontos: Ez az egyetlen mutató jobban előrejelzi az olvashatóságot, mint szinte bármi más. Célozd meg a 15-20 szót általános közönségnek, 20-25-öt professzionális tartalomnak, 25+ tudományos írásnak. A 30 feletti mondathossz általában azt jelzi, hogy fel kell darabolni a szöveget.
A legtöbbször előforduló szavak, előfordulási számukkal.
Miért fontos: Feltárja a kulcsszóhasználatot és a lehetséges túlhasználatot. SEO-s tartalomíráskor a célkulcsszónak itt kell lennie, de nem szabad dominálnia. Ha egy szó 50-szer fordul elő egy 500 szavas cikkben, az kulcsszó-tömörítés. A természetes nyelv változatos szókincset mutat ezeken a helyeken.
225 szó percenként, az átlagos néma olvasási sebesség angolul. A Trauzettel-Klosinski (2006) kutatása szerint a normál felnőtt olvasási sebessége 200-250 szó/perc között van, 225 a medián.
Miért fontos: A 7-8 perces olvasási idejű blogbejegyzések teljesítenek a legjobban az elköteleződés terén. Az olvasók ösztönösen eldöntik, hogy szánnak-e rá időt, mielőtt elkezdenék. Az 5 percnél rövidebb hírlevél-cikkeknek magasabb a befejezési aránya.
Az eszköz szabványos szövegfeldolgozó algoritmusokat használ, amelyek megegyeznek a Microsoft Word és a Google Docs módszereivel:
Szószámolás: Szöveg felosztása szóhatárok mentén (szóközök, tabulátorok, sortörések), üres karakterláncok kiszűrése, a megmaradó elemek megszámolása. Ez az iparági szabvány megközelítés, amelyet a Unicode szöveg szegmentációs specifikáció határoz meg.
Karakterszámolás: A "szóközökkel" történő számlálásnál egyszerűen mérjük a karakterlánc hosszát. A "szóközök nélküli" módnál először eltávolítjuk az összes whitespace karaktert. Mindkét módszer megfelel a World Wide Web Consortium (W3C) szabványainak.
Mondatfelismerés: Végződő központozás azonosítása (. ! ?) whitespace vagy szövegvég után. Alapvető heurisztikák megakadályozzák a hamis pozitívokat gyakori rövidítéseknél mint a "Dr." vagy "Mrs."—bár összetett esetek mint a "The U.S. economy grew 2.5%." alkalmanként váratlan eredményt adhatnak. A tökéletes mondatfelismeréshez természetes nyelvi feldolgozás szükséges; ez a megvalósítás a sebességet helyezi előtérbe és lefedi a tipikus esetek 95%+-át.
Szógyakoriság: Átalakítás kisbetűsre (nem érzékeny a kis-/nagybetűkre), előfordulások számolása, gyakoriság szerinti rendezés. Ez feltárja a mintázatokat, de vannak korlátai—a "running" és "run" különböző szónak számítanak, és a gyakori névelők mint a "the" gyakran dominálnak.
Minden feldolgozás a böngészőben, JavaScript natív karakterlánc-metódusaival történik. Egyetlen adat sem hagyja el az eszközt.
A diákok szigorú szószám-követelményekkel szembesülnek - általában 500, 1 000, 1 500 vagy 2 000 szó az esszékben. Még 50 szóval elmaradni a minimumtól pontlevonással jár, míg a felső határ túllépése azt sugallja, hogy nem tudsz tömören szerkeszteni.
Egy tipikus forgatókönyv: úgy érzed, eleget írtál, de a szószámláló 1 847 szót mutat egy 2 000 szavas minimum mellett. Ahelyett, hogy kitöltenéd üres szavakkal, elemezd a mondatonkénti átlagos szavak számát. Ha 20 alatt van, valószínűleg túl szűkszavúan írsz, és bővítheted összetett gondolataidat árnyaltabb magyarázatokkal.
A keresőmotorok az átfogó tartalmat részesítik előnyben. Számos SEO-tanulmány adata szerint a 1 500-2 500 szavas cikkek magasabban rangsorolódnak a versengő kulcsszavaknál. De a szószám önmagában nem garantál sikert - tartalomra is szükség van.
Használd a gyakoriság-elemzést a kulcsszóhasználat ellenőrzéséhez. Ha a célkulcsszó 30-szor fordul elő 2 000 szóban (1,5%-os sűrűség), akkor a megfelelő tartományban vagy. 3% felett valószínűleg kulcsszófeltöltést végzel, amit a Google büntet.
Minden platformnak más korlátai vannak: A Twitter 280 karaktert engedélyez, a LinkedIn bejegyzések 3 000 karakterig terjednek (bár csak az első 140 jelenik meg "tovább" nélkül), az Instagram feliratok 2 200 karaktert támogatnak. Ezeken belül maradni úgy, hogy hatásos maradjon, pontosságot igényel.
A karakterszám szóközök nélkül az SMS-marketingben is fontos. Egy szabványos SMS 160 karaktert tartalmaz, de egyes rendszerekben ez a limit nem tartalmazza a szóközöket. A túllépés több üzenetre osztja az üzenetet, gyakran törött formázással.
A kutatások szerint a 125 szónál rövidebb e-mailek kapják a legmagasabb válaszarányt. 200 szó felett a válaszarányok zuhannak. Az olvasási idő becslése segít ebben - célozz meg 1 percnél rövidebb olvasási időt hideg megkereséseknél, 2 percnél rövidebbet belső kommunikációnál.
Egy 10 perces prezentációs blokkhoz körülbelül 1 300-1 500 szónyi leírt tartalomra van szükség (feltételezve 130-150 szó/perc beszédütemet, ami lassabb az olvasási sebességnél). Illeszd be a forgatókönyvet, ellenőrizd a szószámot, és módosíts ennek megfelelően. Ha túlléped az időt, levágnak; ha hamarabb végzel, felkészületlennek tűnsz.
A lefordított szöveg általában 15-30%-kal hosszabb az angol eredeti szövegnél a nyelvtani különbségek miatt. A spanyol a hosszabb végén helyezkedik el, a német még inkább. A forrás és a fordítás közötti karakterszámok összehasonlításával észreveheted a potenciális problémákat - ha a német fordítás rövidebb az angolnál, valószínűleg hiányzik valami.
Ez az elemző alapvető metrikákra összpontosít - szavak száma, karakterek száma, mondatszerkezet. Mélyebb elemzéshez vegye fontolóra ezeket a specializált eszközöket:
Olvashatósági pontszámok: A Flesch-Kincaid Évfolyam Szint és a Gunning Fog Index kiszámítja az olvasási nehézséget a szótagok száma és a mondatok hossza alapján. Ezek a képletek objektív olvashatósági értékeléseket nyújtanak, bár vannak korlátaik - a „A macska ült" egyszerűbbnek minősül, mint a „Bonyolult", annak ellenére, hogy hasonló a megértési nehézség.
Nyelvhelyesség-ellenőrzők: Az olyan eszközök, mint a Grammarly, észlelik a nyelvtani hibákat, stílusbeli javításokat javasolnak, és jelzik a passzív hangnemet. Kiegészítik a szövegvizsgálókat azáltal, hogy a helyességre összpontosítanak, nem pedig a statisztikákra.
Hangulatelemzés: Az NLP modellek meghatározzák az érzelmi tónust - pozitív, negatív vagy semleges. Hasznos ügyfélvisszajelzések vagy közösségi média említések elemzéséhez nagy léptékben.
Plágiumdetektálás: Összehasonlítja a szöveget milliárd weboldalhoz és tudományos publikációhoz. Elengedhetetlen az akadémiai integritás és a tartalmi eredeti igazolása szempontjából.
A számítógépek előtt az írók és szerkesztők kézzel számolták a szavakat - fárasztó és hibalehetőségekkel teli folyamat. Az első automatizált szószámlálók mechanikus írógépeken jelentek meg az 1890-es években, bár ezek csak a leütéseket számolták, nem a tényleges szavakat.
A digitális szövegszerkesztés mindent megváltoztatott. A WordStar (1978) és a WordPerfect (1979) szoftveralapú szószámlálást vezettek be, elérhetővé téve a pontos szövegmetrikákat mindenki számára, akinek számítógépe volt. Az 1980-as évek közepére a szószámlálás minden szövegszerkesztő szabványos funkciójává vált.
Az internet korszaka új igényeket támasztott. A Twitter 140 karakteres (később 280 karakteres) korlátja 2006-ban a karakterszámlálást milliók napi tevékenységévé tette. A blogplatformok körülbelül 2010-ben olvasási idő becsléseket adtak hozzá, segítve az olvasókat abban, hogy eldöntsék, érdemes-e időt szánni egy hosszú cikkre. A 2010-es évek SEO eszközei népszerűsítették a kulcsszósűrűség elemzést, bár a Google algoritmus-frissítései végül büntették a nyilvánvaló kulcsszó-tömörítést.
Napjaink szövegvizsgáló eszközei egyszerűséget és erőt ötvöznek - azonnali eredmények, nincs telepítés, teljes mértékben böngészőben működnek. Az alapul szolgáló algoritmusok alig változtak az 1970-es évek óta (a szóköz alapján történő felosztás továbbra is a szabványos szószámlálási módszer), de a hozzáférhetőség drámaian javult.
Íme a szövegelemzési függvények megvalósítási példái különböző programozási nyelveken:
1// JavaScript Szövegelemző Függvények
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 másodperc'
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 // Mondatok számlálása (alapvető megvalósítás)
23 const sentenceCount = Math.max(1, (text.match(/[.!?]+/g) || []).length);
24
25 // Bekezdések számlálása
26 const paragraphs = text.split(/\n+/).filter(p => p.trim().length > 0);
27 const paragraphCount = Math.max(1, paragraphs.length);
28
29 // Átlagos szavak mondatonként
30 const avgWordsPerSentence = (wordCount / sentenceCount).toFixed(1);
31
32 // Top 5 gyakori szó
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 // Olvasási idő számítása (225 szó percenként)
47 const minutes = Math.floor(wordCount / 225);
48 const seconds = Math.round((wordCount % 225) / 225 * 60);
49 const readingTime = minutes > 0
50 ? `${minutes} perc ${seconds} mp`
51 : `${seconds} másodperc`;
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// Példa használat:
66const sampleText = "Szia világ! Ez egy szövegelemző. Szavakat és egyebeket számol.";
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 másodperc'
15 }
16
17 # Szavak száma
18 words = text.split()
19 word_count = len(words)
20
21 # Karakterszámok
22 char_count_with_spaces = len(text)
23 char_count_without_spaces = len(re.sub(r'\s+', '', text))
24
25 # Mondatok száma
26 sentences = re.findall(r'[.!?]+', text)
27 sentence_count = max(1, len(sentences))
28
29 # Bekezdések száma
30 paragraphs = [p for p in text.split('\n') if p.strip()]
31 paragraph_count = max(1, len(paragraphs))
32
33 # Átlagos szavak mondatonként
34 avg_words_per_sentence = round(word_count / sentence_count, 1)
35
36 # Top 5 gyakori szó
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 # Olvasási idő (225 szó percenként)
45 minutes = word_count // 225
46 seconds = round((word_count % 225) / 225 * 60)
47 reading_time = f"{minutes} perc {seconds} mp" if minutes > 0 else f"{seconds} másodperc"
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# Példa használat:
61sample_text = "Szia világ! Ez egy szövegelemző. Szavakat és egyebeket számol."
62results = analyze_text(sample_text)
63print(results)
641import java.util.*;
2import java.util.regex.*;
3import java.util.stream.*;
4
5public class SzövegElemző {
6
7 public static class ElemzésiEredmény {
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<SzóGyakoriság> topWords;
15 public String readingTime;
16
17 public static class SzóGyakoriság {
18 public String word;
19 public int count;
20
21 public SzóGyakoriság(String word, int count) {
22 this.word = word;
23 this.count = count;
24 }
25 }
26 }
27
28 public static ElemzésiEredmény analyzeText(String text) {
29 ElemzésiEredmény result = new ElemzésiEredmény();
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 másodperc";
40 return result;
41 }
42
43 // Szavak száma
44 String[] words = text.trim().split("\\s+");
45 result.wordCount = words.length;
46
47 // Karakterszámok
48 result.charCountWithSpaces = text.length();
49 result.charCountWithoutSpaces = text.replaceAll("\\s+", "").length();
50
51 // Mondatok száma
52 Pattern sentencePattern = Pattern.compile("[.!?]+");
53 Matcher sentenceMatcher = sentencePattern.matcher(text);
54 result.sentenceCount = Math.max(1, (int) sentenceMatcher.results().count());
55
56 // Bekezdések száma
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 // Átlagos szavak mondatonként
62 result.avgWordsPerSentence =
63 Math.round((double) result.wordCount / result.sentenceCount * 10.0) / 10.0;
64
65 // Top 5 gyakori szó
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 ElemzésiEredmény.SzóGyakoriság(e.getKey(), e.getValue()))
78 .collect(Collectors.toList());
79
80 // Olvasási idő (225 szó percenként)
81 int minutes = result.wordCount / 225;
82 int seconds = Math.round((result.wordCount % 225) / 225.0f * 60);
83 result.readingTime = minutes > 0
84 ? minutes + " perc " + seconds + " mp"
85 : seconds + " másodperc";
86
87 return result;
88 }
89
90 public static void main(String[] args) {
91 String sampleText = "Szia világ! Ez egy szövegelemző. Szavakat és egyebeket számol.";
92 ElemzésiEredmény results = analyzeText(sampleText);
93 System.out.println("Szavak száma: " + results.wordCount);
94 System.out.println("Olvasási idő: " + results.readingTime);
95 }
96}
971' Excel VBA Függvény szövegelemzéshez
2Function SzavakSzáma(text As String) As Long
3 Dim words() As String
4 If Len(Trim(text)) = 0 Then
5 SzavakSzáma = 0
6 Else
7 words = Split(Trim(text), " ")
8 SzavakSzáma = UBound(words) + 1
9 End If
10End Function
11
12Function KarakterekSzámaHelyekkel(text As String) As Long
13 KarakterekSzámaHelyekkel = Len(text)
14End Function
15
16Function KarakterekSzámaHelyekNélkül(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 KarakterekSzámaHelyekNélkül = Len(textNoSpaces)
24End Function
25
26Function MondatokSzáma(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 MondatokSzáma = count
42End Function
43
44' Használat Excel-ben:
45' =SzavakSzáma(A1)
46' =KarakterekSzámaHelyekkel(A1)
47' =KarakterekSzámaHelyekNélkül(A1)
48' =MondatokSzáma(A1)
49Ezek a példák bemutatják, hogyan lehet megvalósítani az alapvető szövegelemzési funkciókat különböző programozási nyelveken. Minden implementáció adaptálható és kiterjeszthető specifikus igények alapján.
Íme néhány példa szövegbevitel és azok elemzési eredményei:
1. Példa: Rövid Bekezdés
Bemeneti Szöveg: "A gyors barna róka átugrik a rest kutya felett. Ez a mondat tartalmazza az ábécé minden betűjét."
Elemzési Eredmények:
2. Példa: Többbekezdéses Szöveg
Bemeneti Szöveg: "Szia világ! Ez az első bekezdés.
Ez a második bekezdés több tartalommal. Több mondat van benne az elemző bemutatásához."
Elemzési Eredmények:
Igen, szabványos szöveg esetén. Mindkettő szóköz-alapú algoritmusokat használ. Alkalmanként eltérések fordulhatnak elő kötőjeles szavaknál vagy speciális karaktereknél - a Word az "e-commerce" kifejezést egy szónak tekinti, míg néhány eszköz két szónak számítja. A tipikus írások 99%-ában a számok pontosan megegyeznek.
A platformok különbözőképpen számolnak. A Twitter, LinkedIn és a legtöbb közösségi média a szóközöket is beleszámítja a karakterkorlátba. Egyes tudományos folyóiratok és nemzetközi szövegrendszerek (mint a japán mobilszolgáltatók) kizárják a szóközöket. Mindkét szám megléte megakadályozza a frusztrációt, hogy 280 karaktert írjon valaki, csak hogy aztán kiderüljön, a célplatform másképp számol.
Hasznos becslés, amely 225 szó/perc alapján készül, ami a felnőttek átlagos olvasási sebessége. A technikai tartalom lassabban, a narratív szépirodalom gyorsabban olvasható. Használja alapvető referenciaként - a tényleges idők 20-30%-kal eltérhetnek a bonyolultság és az olvasó tárgyi ismeretei függvényében.
A karakterszámolás univerzális. A szószámolás működik minden olyan nyelven, amely szóközöket használ szóhatárolóként (spanyol, francia, német, olasz stb.). A szóelválasztó nélküli nyelvek - kínai, japán, thai - nem adnak értelmes szószámot. A mondatfelismerés viszonylag jól működik az európai nyelveken, de problémákba ütközhet az eltérő írásjelrendszerű nyelvek esetében.
Technikailag nincs, de a teljesítmény 100 000 karakter (kb. 70 oldalas regény) felett romlik. Tipikus felhasználási módoknál - blogbejegyzések, esszék, e-mailek, közösségi média - a feldolgozás azonnali.
Körülbelül 95%-os pontosságú szabványos szöveg esetén. Kezeli a gyakori rövidítéseket (Dr., Mrs., vs.), de problémái lehetnek tizedes számokkal ("A pontszám 3.5 pont") vagy szokatlan írásjelekkel. Ha tökéletes mondatszámolásra van szüksége nyelvi kutatáshoz, speciális NLP eszközökre lesz szüksége.
Ez a természetes nyelv sajátossága. A funkcionális szavak (névelők, elöljárók, kötőszavak) az angol szöveg 40-50%-át teszik ki. Ha kulcsszó-ismétlődést vizsgál, nézzen túl az első vagy második pozíción. A célkulcsszavaknak a 3-5. pozícióban kell megjelenniük elfogadható gyakorisággal, nem uralva a listát.
Igen, de a kontextus számít. A Google algoritmusai büntetik a nyilvánvaló kulcsszó-tömörítést (3%+ sűrűség), miközben díjazzák a természetes nyelvet. Ha a célkulcsszó az 5 leggyakoribb szó között szerepel 1-2% sűrűséggel, jó úton jár. Ha 50+ alkalommal jelenik meg egy 1000 szavas cikkben az első pozícióban, valószínűleg túloptimalizál.
Akár egy esszé követelményeinek ellenőrzéséről, blog tartalom SEO-optimalizálásáról vagy egy tweet karakterkorlátjának betartásáról van szó, illessze be szövegét fent, és azonnal kapjon mérőszámokat. Regisztráció nélkül, telepítés nélkül, adatgyűjtés nélkül – csak egyszerű, hatékony szövegelemzés.
Trauzettel-Klosinski S, Dietz K. „Szabványosított olvasási teljesítmény felmérése: Az új nemzetközi olvasási sebesség szövegek IReST." Investigative Ophthalmology & Visual Science. 2012. PMID: 16844754
Unicode Konzorcium. „Unicode szöveg szegmentáció (UAX #29)." Unicode Standard Annex #29. https://unicode.org/reports/tr29/
World Wide Web Konzorcium. „Karaktermodell a World Wide Web számára: Karakterlánc illesztés." W3C Munkaközi Draft. https://www.w3.org/TR/charmod-norm/
Kincaid JP, Fishburne RP, Rogers RL, Chissom BS. „Új olvashatósági képletek levezetése haditengerészeti személyzet számára." Kutatási Részleg Jelentés 8-75, Haditengerészeti Műszaki Képzési Parancsnokság, 1975. https://www.govinfo.gov/content/pkg/GOVPUB-ED-PURL-gpo106104/pdf/GOVPUB-ED-PURL-gpo106104.pdf
Fedezzen fel több olyan eszközt, amely hasznos lehet a munkafolyamatához