Analizor de Text - Instrument Gratuit de Numărare Cuvinte și Caractere

Un analizor de text este un instrument care măsoară un fragment de text. Acest analizor numără cuvintele, caracterele, propozițiile și paragrafele, estimează timpul de citire și enumeră cuvintele folosite cel mai frecvent într-un text.

Cum se utilizează analizorul de text

1. Lipiți sau introduceți textul în caseta de intrare. Funcționează și textele din Word, Google Docs, e-mailuri sau pagini web.
2. Selectați Analizează. Instrumentul rulează în întregime în browser, astfel încât niciun text nu este trimis unui server.
3. Citiți rezultatele. Fiecare statistică apare sub forma unui număr etichetat.
4. Editați textul și analizați-l din nou de câte ori este necesar, de exemplu când reduceți un eseu la o anumită limită de cuvinte.

Cum se calculează numărul de cuvinte

Instrumentul separă textul la spațiile albe (spații, tabulatoare, întreruperi de linie) în tokenuri distincte. Un token este numărat ca un cuvânt numai dacă include cel puțin o literă sau o cifră, astfel încât un singur semn de punctuație sau un șir de liniuțe nu este numărat. Verificarea funcționează pentru orice sistem de scriere, inclusiv caractere latine, chirilice, grecești, arabe și CJK, nu doar pentru alfabetul englez.

Un cuvânt cu cratimă, precum "well-known", și o formă contractată, precum "don't", sunt numărate fiecare ca un singur cuvânt, deoarece niciunul nu conține un spațiu.

Cum se calculează numărul de caractere

Instrumentul afișează două numărători de caractere:

• Caractere (cu spații): fiecare caracter din text, inclusiv spațiile și semnele de punctuație.
• Caractere (fără spații): aceeași numărătoare după eliminarea tuturor spațiilor albe.

Ambele numărători măsoară clustere de grafeme, unitățile pe care cititorul le percepe ca un singur caracter, nu unități brute de cod informatic. Acest lucru contează pentru emoji și alte simboluri pe care un computer le stochează ca mai multe unități de cod. De exemplu, textul "Hi 👍🏽 there" are 10 caractere prin această metodă, deși același șir are 13 unități brute de cod, deoarece emoji-ul cu degetul mare ridicat și indicatorul nuanței pielii este un singur caracter vizibil, dar mai multe unități de cod. Contorul mic de sub caseta de intrare folosește aceeași metodă, astfel încât corespunde întotdeauna rezultatului "Characters (with spaces)".

Cum se calculează numărul de propoziții

Propozițiile sunt detectate folosind regulile standardului Unicode pentru limitele propozițiilor (segmentarea textului Unicode, UAX #29), nu printr-o simplă căutare a unui punct, semn de întrebare sau semn de exclamare. Astfel, instrumentul nu separă o propoziție în dreptul unui punct zecimal sau după o abreviere uzuală. Propoziția "The U.S. economy grew 2.5%." este numărată ca o singură propoziție, nu ca trei, deoarece regulile recunosc "U.S." ca abreviere și „2,5” ca număr zecimal.

Cum se calculează numărul de paragrafe

Un paragraf este un bloc de text separat de următorul bloc prin cel puțin o linie goală. O singură întrerupere de linie în interiorul unui bloc nu începe un paragraf nou, astfel încât textul împărțit forțat pe linii, fără linii goale între acestea, este în continuare numărat ca un singur paragraf.

Formula mediei de cuvinte pe propoziție

media cuvintelor pe propoziție = numărul de cuvinte ÷ numărul de propoziții

Rezultatul este afișat rotunjit la o zecimală. Acest număr oferă o indicație aproximativă despre cât de ușor este de citit textul: propozițiile mai scurte în medie se citesc în general mai ușor decât cele mai lungi.

Formula timpului de citire

timp de citire (minute) = numărul de cuvinte ÷ 225

Instrumentul presupune o viteză de citire de 225 de cuvinte pe minut, o valoare citată frecvent pentru viteza medie de citire în gând a adulților, și rotunjește rezultatul la o zecimală. Un text de 450 de cuvinte, de exemplu, are un timp de citire de exact 2,0 minute.

Cum sunt identificate cuvintele cel mai frecvent întâlnite

Instrumentul transformă fiecare cuvânt în litere mici și elimină semnele de punctuație de la începutul și sfârșitul acestuia, astfel încât „Dog,” și „dog” sunt numărate ca același cuvânt. Punctuația din interiorul unui cuvânt este păstrată, astfel încât "don't" și "well-known" apar în listă exact în forma în care au fost scrise. Un apostrof tipografic este tratat ca unul simplu, astfel încât "don’t" și "don't" sunt același cuvânt. Instrumentul numără apoi de câte ori apare fiecare cuvânt distinct și le enumeră pe cele mai frecvente cinci, de la cea mai mare la cea mai mică frecvență. Când două cuvinte au aceeași frecvență, este enumerat primul cel care a apărut primul în text.

Exemplu de calcul

Exemplul 1

Text: "The quick brown fox jumps over the lazy dog. This sentence contains every letter of the alphabet."

Verificarea numărului de cuvinte: 17 tokenuri separate prin spații albe conțin o literă, astfel încât numărul de cuvinte este 17. Verificarea numărului de propoziții: 17 ÷ 2 = 8,5, ceea ce corespunde mediei afișate.

Exemplul 2

Text: "Hello world! This is the first paragraph.\n\nThis is the second paragraph with more content. It has multiple sentences to demonstrate the analyzer."

Linia goală dintre cele două linii de text marchează o separare de paragraf, astfel încât numărul de paragrafe este 2. Regulile Unicode pentru propoziții împart textul în patru propoziții: "Hello world!", "This is the first paragraph.", "This is the second paragraph with more content." și "It has multiple sentences to demonstrate the analyzer.". Rezultă 23 ÷ 4 = 5,75, care se rotunjește la 5,8.

Cazuri speciale

• Intrare goală: instrumentul afișează o scurtă notă prin care solicită introducerea unui text, în locul unui tabel cu numere.
• Doar spații albe: este tratată la fel ca o intrare goală.
• Doar semne de punctuație: un text precum „--- ...” nu conține cuvinte, astfel încât apare aceeași notă.
• Fără linii goale: întregul text este numărat ca un singur paragraf, chiar dacă se întinde pe mai multe linii.
• Limbi fără spații: numărarea cuvintelor depinde de spațiile dintre cuvinte, astfel încât nu produce un rezultat relevant pentru limbi precum chineza, japoneza sau thailandeza, care nu separă cuvintele prin spații. Numărarea caracterelor funcționează în continuare pentru orice limbă.

Întrebări frecvente

Numărul de cuvinte corespunde celui din Microsoft Word?

De obicei, da, pentru textul obișnuit. Ambele numără tokenurile separate prin spații albe ca fiind cuvinte. Pot apărea mici diferențe în cazul cuvintelor cu cratimă sau al punctuației neobișnuite, deoarece programele diferite tratează aceste cazuri ușor diferit.

De ce există două numărători de caractere?

Platformele diferite numără diferit. Majoritatea serviciilor de rețele sociale, inclusiv Twitter/X, includ spațiile în limita de caractere. Unele sisteme pentru trimiterea lucrărilor academice și unele sisteme de mesagerie exclud spațiile. Afișarea ambelor numărători previne surprizele la mutarea textului între platforme.

Un emoji este numărat ca un singur caracter?

Da. Instrumentul numără clustere de grafeme, unitățile pe care cititorul le vede ca un singur caracter, astfel încât un emoji este numărat ca un singur caracter, chiar dacă poate fi stocat intern ca mai multe unități de cod.

Cât de precis este numărul de propoziții?

Instrumentul folosește regulile standardului Unicode pentru limitele propozițiilor, care tratează corect cazuri uzuale precum numerele zecimale („2,5”) și abrevierile ("U.S.", „Dr.”). Nicio metodă automată nu este perfectă pentru orice propoziție posibilă, dar această abordare evită cele mai frecvente erori ale unei simple căutări de puncte și semne de întrebare.

Funcționează și pentru alte limbi decât engleza?

Numărarea caracterelor funcționează pentru orice limbă. Numărarea cuvintelor funcționează pentru orice limbă care separă cuvintele prin spații, precum spaniola, franceza sau germana. Nu produce un număr relevant de cuvinte pentru limbile care nu folosesc spații între cuvinte, precum chineza sau japoneza.

Există o limită pentru cantitatea de text pe care o pot analiza?

Nu există o limită fixă, iar procesarea are loc instantaneu pentru documente obișnuite, precum eseuri, articole de blog și e-mailuri. Documentele foarte lungi, cum ar fi un roman întreg, necesită puțin mai mult timp pentru procesare, deoarece textul este analizat în întregime în browser.