Sobre esta ferramenta
O que conta como carácter
A contagem de caracteres é o número de grafemas (grapheme clusters): as unidades que um leitor vê como um só carácter, tal como as definem as regras de segmentação de texto do Unicode. Um «é» escrito como a letra e seguida de um acento combinatório conta uma vez. O mesmo acontece com um emoji formado por vários pontos de código: o emoji de família 👨👩👧👦 é um carácter, embora tenha 7 pontos de código, 11 unidades de código UTF-16 e 25 bytes em UTF-8.
É por isso que este número pode diferir de string.length em JavaScript, que conta unidades de código UTF-16, e do comprimento que uma base de dados indica, que pode ser em bytes ou em pontos de código, consoante a função e o tipo de coluna. Quando um formulário ou uma API indica um limite, verifique a qual destas unidades se refere. Caracteres sem espaços deixa de fora os espaços, as tabulações, as quebras de linha e outros espaços em branco.
Como se encontram as palavras, as frases e os parágrafos
Os caracteres, as palavras e as frases vêm do Intl.Segmenter do seu navegador, criado para o idioma da página. Segue as regras do Unicode para os limites de palavras e de frases e, para as línguas escritas sem espaços entre as palavras, como o japonês, o chinês e o tailandês, recorre a dados linguísticos incluídos no navegador, normalmente um dicionário. Um número como 3,14 é uma palavra, e «d'água» também, enquanto uma palavra composta com hífen como «guarda-chuva» conta como duas.
Os limites das frases são uma questão de interpretação: uma abreviatura com ponto pode ser lida como fim de frase, e uma quebra de linha termina sempre uma, por isso um título conta como frase. Trate esse número como uma estimativa. Um parágrafo é uma linha que contém texto, o que corresponde ao texto colado de um processador de texto. Linhas conta todas as linhas, incluindo as vazias. A tabela de frequências apresenta as dez palavras mais frequentes. São comparadas sem distinguir maiúsculas de minúsculas, e as palavras comuns como «de» não são filtradas.
Bytes e tempo de leitura
O UTF-8 usa um byte para ASCII, dois para a maioria das letras latinas acentuadas, gregas e cirílicas, três para a maioria dos caracteres chineses, japoneses e coreanos e quatro para a maioria dos emojis. O UTF-16 usa dois bytes para a maioria dos caracteres e quatro para os que estão fora do Plano Multilingue Básico, que incluem a maioria dos emojis. As contagens de bytes são só do texto, sem marca de ordem de bytes (BOM). Um campo de texto do navegador guarda cada quebra de linha como um único avanço de linha (LF), por isso um texto copiado de um ficheiro com quebras de linha do Windows (CR LF) é contado com um carácter por quebra de linha, e as suas contagens de bytes ficam abaixo do tamanho desse ficheiro.
O tempo de leitura é o número de palavras a dividir pela velocidade de leitura. O valor predefinido de 200 palavras por minuto é um número redondo habitual para a leitura silenciosa; uma revisão de estudos sobre velocidade de leitura publicada por Marc Brysbaert em 2019 situou a média dos adultos a ler inglês em 238 palavras por minuto para não ficção e 260 para ficção. Ajuste a velocidade aos seus leitores, e baixe-a para um texto que vá ser lido em voz alta, porque a fala é mais lenta do que a leitura silenciosa.