شمارنده کلمات

کاراکترها هر واحد متنی را، شامل فاصله‌ها، علائم نگارشی و خطوط جدید می‌شمارند؛ کلمات واحدهای معنادار زبان را اندازه‌گیری می‌کنند.

تعداد کلمات ما از قوانین مایکروسافت ورد پیروی می‌کند: هر رشته حروف لاتین به عنوان یک کلمه حساب می‌شود، و هر کاراکتر چینی، کانا یا هجای کره‌ای به عنوان یک کلمه حساب می‌شود. «Hello 世界» = 3 کلمه (Hello + 世 + 界) و 8 کاراکتر شامل فاصله.

رشته‌های حروف لاتین و ارقام به عنوان کلمات استخراج می‌شوند (گسترش‌های مانند don't و فرم‌های خط‌دار مانند state-of-the-art دست‌نخورده باقی می‌مانند)، در حالی که کاراکترهای هان، کانا و هجاهای هانگول به طور جداگانه شمارش می‌شوند.

این دو عدد با هم جمع می‌شوند، پس «我在 2024 年去过 New York» = 我, 在, 2024, 年, 去, 过, New, York — 8 کلمه.

از دو میانگین رایج در بازاریابی محتوا استفاده می‌شود: حدود ۲۰۰ کلمه انگلیسی در دقیقه و حدود ۳۰۰ کاراکتر چینی در دقیقه، به طور جداگانه محاسبه و جمع می‌شوند.

این یک تخمین محافظه‌کارانه برای خواندن بی‌صدا مواد ناآشنا است؛ خوانندگان روان و افراد که به سرعت مطالعه می‌کنند سریع‌تر پیش می‌روند، در حالی که ارقام، کد و فرمول‌های متراکم سرعت را کاهش می‌دهند. این عدد را به عنوان یک مرتبه از بزرگی در نظر بگیرید. ماشین حساب زمان ↔ تعداد کلمات زیر نیز می‌تواند با معکوس کردن سرعت ارائه شفاهی کار کند.

خطوط در هر خط جدید، شامل خطوط خالی تقسیم می‌شوند؛ پاراگراف‌ها در خطوط خالی (خطوط جدید متوالی) تقسیم می‌شوند.

وقتی کل متن از خطوط جدید منفرد بدون خطوط خالی استفاده می‌کند — که در جعبه‌های گفتگو و یادداشت‌های تلفن رایج است — هر خط غیر خالی به عنوان یک پاراگراف در نظر گرفته می‌شود، بنابراین یک مقاله کامل هرگز به عنوان یک پاراگراف گزارش نمی‌شود.

UTF-8 یک رمزنگاری با طول متغیر است: کاراکترهای ASCII (حروف لاتین، ارقام، علائم نگارشی رایج) 1 بایت می‌گیرند، در حالی که کاراکترهای چینی، ژاپنی و کره‌ای معمولاً 3 بایت می‌گیرند و برخی اموجی‌ها 4 بایت می‌گیرند.

پس ۱۰۰۰ کاراکتر چینی ۱۰۰۰ کاراکتر اما حدود ۳۰۰۰ بایت هستند. محدودیت‌های VARCHAR پایگاه داده، بارهای API و صورتحساب SMS همگی بایت را می‌شمارند.

مراجع‌هایی که اغلب ذکر می‌شوند: توییتر/ایکس ۲۸۰ کاراکتر انگلیسی (حدود ۱۴۰ برای زبان‌های چینی، ژاپنی و کره‌ای) اجازه می‌دهد. تگ‌های عنوان گوگل بهتر است زیر حدود ۶۰ کاراکتر باشند، توضیحات متا زیر حدود ۱۵۵ کاراکتر، و مقالات وی‌چین معمولاً خوانندگان را به بهترین شکل با ۱۵۰۰ تا ۳۰۰۰ کاراکتر چینی حفظ می‌کنند. قوانین پلتفرم تغییر می‌کنند — همیشه قبل از انتشار، مستندات خود پلتفرم را بررسی کنید.