Acerca de esta herramienta
Qué cuenta como un carácter
El número de caracteres es el número de clústeres de grafemas: las unidades que un lector ve como un solo carácter, según las reglas de segmentación de texto de Unicode. Una «é» escrita como la letra e seguida de una tilde combinable cuenta una vez. Lo mismo ocurre con un emoji formado por varios puntos de código: el emoji de familia 👨👩👧👦 es un carácter, aunque son 7 puntos de código, 11 unidades de código UTF-16 y 25 bytes en UTF-8.
Por eso este número puede no coincidir con string.length en JavaScript, que cuenta unidades de código UTF-16, ni con la longitud que da una base de datos, que puede medirse en bytes o en puntos de código según la función y el tipo de columna. Cuando un formulario o una API indiquen un límite, comprueba a cuál de estas unidades se refieren. Caracteres sin espacios deja fuera los espacios, los tabuladores, los saltos de línea y cualquier otro espacio en blanco.
Cómo se detectan las palabras, las frases y los párrafos
Los caracteres, las palabras y las frases salen del Intl.Segmenter de tu navegador, creado para el idioma de la página. Sigue las reglas de Unicode para los límites de palabra y de frase, y para los idiomas que se escriben sin espacios entre palabras, como el japonés, el chino y el tailandés, se apoya en datos lingüísticos integrados en el navegador, normalmente un diccionario. Un número como 3.14 es una sola palabra, igual que «don't» en inglés, mientras que un compuesto con guion como «teórico-práctico» cuenta como dos.
Los límites de frase son una cuestión de criterio: una abreviatura con punto puede leerse como final de frase, y un salto de línea siempre termina una, así que un título cuenta como una frase. Toma esa cifra como una estimación. Un párrafo es una línea que contiene texto, lo que coincide con el texto pegado desde un procesador de textos. Líneas cuenta todas las líneas, también las vacías. La tabla de frecuencias muestra las diez palabras más frecuentes. Se comparan sin distinguir mayúsculas y minúsculas, y no se filtran las palabras comunes como «el» o «de».
Bytes y tiempo de lectura
UTF-8 usa un byte para ASCII, dos para la mayoría de las letras latinas con tilde y de las letras griegas y cirílicas, tres para la mayoría de los caracteres chinos, japoneses y coreanos, y cuatro para la mayoría de los emojis. UTF-16 usa dos bytes para la mayoría de los caracteres y cuatro para los que están fuera del plano multilingüe básico, entre ellos la mayoría de los emojis. Los recuentos de bytes son solo del texto, sin marca de orden de bytes (BOM). Un cuadro de texto del navegador guarda cada salto de línea como un único avance de línea (LF), así que un texto copiado de un archivo con finales de línea de Windows (CR LF) se cuenta con un carácter por salto de línea, y sus recuentos de bytes salen menores que el tamaño de ese archivo.
El tiempo de lectura es el número de palabras dividido entre la velocidad de lectura. El valor predeterminado de 200 palabras por minuto es una cifra redonda habitual para la lectura en silencio; una revisión de estudios sobre velocidad de lectura publicada por Marc Brysbaert en 2019 situó la media de los adultos que leen en inglés en 238 palabras por minuto para textos de no ficción y 260 para ficción. Ajusta la velocidad a tus lectores, y bájala para un texto que se vaya a leer en voz alta, porque hablar es más lento que leer en silencio.