글자 수·단어 수 세기

이 도구에 대하여

무엇을 한 글자로 세는가

글자 수는 그래핌 클러스터(grapheme cluster)의 개수입니다. Unicode 텍스트 분할 규칙이 정의하는, 읽는 사람이 한 글자로 보는 단위입니다. 문자 e 뒤에 결합 악센트를 붙여 입력한 “é”는 한 번만 셉니다. 여러 코드 포인트로 이루어진 이모지도 마찬가지입니다. 가족 이모지 👨‍👩‍👧‍👦는 코드 포인트 7개, UTF-16 코드 단위 11개, UTF-8로 25바이트이지만 한 글자입니다.

그래서 이 숫자는 UTF-16 코드 단위를 세는 JavaScript의 string.length와 다를 수 있고, 함수와 열 타입에 따라 바이트나 코드 포인트로 세는 데이터베이스의 길이와도 다를 수 있습니다. 폼이나 API에 길이 제한이 있다면 이 중 어느 단위인지 확인하세요. 공백 제외 글자는 공백, 탭, 줄바꿈 등 모든 공백 문자를 뺀 수입니다.

단어, 문장, 문단을 나누는 방법

글자, 단어, 문장은 페이지 언어로 생성한 브라우저의 Intl.Segmenter로 나눕니다. 단어와 문장 경계에 대한 Unicode 규칙을 따르며, 일본어, 중국어, 태국어처럼 단어 사이를 띄우지 않는 언어에서는 브라우저에 내장된 언어 데이터, 대개 사전을 사용합니다. 3.14 같은 숫자는 한 단어이고 “don't”도 한 단어이지만, “well-known” 같은 하이픈 복합어는 두 단어로 셉니다.

문장 경계는 판단에 따라 달라집니다. 마침표가 붙은 약어가 문장의 끝으로 읽힐 수 있고, 줄바꿈은 항상 문장을 끝내므로 제목도 한 문장으로 셉니다. 이 숫자는 추정치로 보세요. 문단은 텍스트가 들어 있는 줄 하나이며, 워드 프로세서에서 붙여 넣은 텍스트와 맞습니다. 줄은 빈 줄을 포함해 모든 줄을 셉니다. 빈도 표에는 가장 자주 쓰인 단어 10개가 나옵니다. 대소문자를 구분하지 않고 비교하며, “the” 같은 흔한 단어도 걸러 내지 않습니다.

바이트와 읽는 시간

UTF-8은 ASCII에 1바이트, 대부분의 악센트 붙은 라틴 문자와 그리스 문자, 키릴 문자에 2바이트, 대부분의 중국어, 일본어, 한국어 문자에 3바이트, 대부분의 이모지에 4바이트를 씁니다. UTF-16은 대부분의 문자에 2바이트를 쓰고, 대부분의 이모지를 포함한 기본 다국어 평면(BMP) 밖의 문자에는 4바이트를 씁니다. 바이트 수는 바이트 순서 표식(BOM) 없이 텍스트만 계산한 값입니다. 브라우저의 텍스트 필드는 모든 줄바꿈을 라인 피드(LF) 하나로 저장하므로, Windows 줄 끝(CR LF)을 쓰는 파일에서 복사한 텍스트는 줄바꿈마다 한 글자로 세어지고, 바이트 수도 그 파일의 크기보다 작게 나옵니다.

읽는 시간은 단어 수를 읽기 속도로 나눈 값입니다. 기본값인 분당 200단어는 묵독 속도로 흔히 쓰는 어림수입니다. Marc Brysbaert가 2019년에 읽기 속도 연구를 검토한 결과, 영어를 읽는 성인의 평균은 비문학이 분당 238단어, 문학이 분당 260단어였습니다. 독자에 맞게 속도를 바꾸고, 소리 내어 읽을 텍스트라면 속도를 낮추세요. 말하기는 묵독보다 느리기 때문입니다.