Analisador de Frequência de Caracteres

A análise de frequência de caracteres conta quantas vezes cada caractere aparece em um texto e qual participação ele representa. Ela pode considerar letras, números, pontuação, espaços, caracteres CJK, símbolos e caracteres de controle pouco visíveis, dependendo da entrada. Isso é útil em exercícios de criptografia, análise simples de substituição, extração de características textuais, limpeza de dados, verificação de codificação, pesquisa de compressão e controle de qualidade de conteúdo importado. Frequências estranhas podem revelar caracteres ocultos, texto mal decodificado, separadores repetidos, idiomas inesperados ou resíduos de copiar e colar. A ferramenta não explica a causa sozinha, mas torna a distribuição mensurável.

A análise de frequência de caracteres conta as ocorrências de cada caractere em um texto. A implementação usa uma tabela hash (tipicamente um Map em JavaScript): 1) percorrer o texto caractere por caractere, 2) para cada caractere, incrementar a contagem no mapa, 3) ordenar as entradas por contagem decrescente, 4) renderizar o histograma (10-20 caracteres principais, com os restantes em um bucket de cauda). O algoritmo é O(N) no comprimento do texto, onde N é o número de caracteres, e o custo dominante é a busca e incremento no mapa (essencialmente gratuito no V8 e SpiderMonkey para o caso comum). Uma sutileza útil: o que conta como um caractere? Em JavaScript, .length retorna o número de code units UTF-16, não code points Unicode. Um caractere fora do Basic Multilingual Plane (emoji, ideogramas CJK raros) é codificado como um surrogate pair (dois code units), e uma contagem ingênua por code unit vai contar demais ao tratar cada metade do surrogate como um caractere separado. A página usa Array.from(text) ou Intl.Segmenter para iterar code points (ou clusters de grafemas), que é a definição correta de caractere para a maioria dos casos de uso. Uma aplicação útil: a análise de frequência é a técnica clássica para quebrar cifras de substituição (Caesar, Vigenère, substituição simples). A distribuição de frequência de letras em inglês é bem conhecida (E, T, A, O, I, N, S, H, R são as mais comuns, nessa ordem aproximada), e uma cifra de substituição preserva a distribuição de frequência, então a letra mais comum no texto cifrado provavelmente corresponde a E, a segunda a T, e assim por diante. A página é uma ferramenta didática, não uma ferramenta de criptoanálise, mas a técnica é a mesma. Uma ressalva sobre Unicode: para idiomas CJK, a distribuição de frequência de caracteres depende do corpus (romance moderno, poesia clássica, texto técnico) e do nível de análise (caractere, palavra, bigrama, trigrama). Uma análise de frequência de um romance chinês moderno dá uma distribuição; uma análise de frequência dos Analectos dá outra diferente. A página é agnóstica ao corpus, então o usuário pode executá-la em qualquer texto.

• Tabela hash (Map em JS): percorrer texto, incrementar contagem, ordenar por contagem decrescente, renderizar histograma; O(N) no comprimento do texto com custo muito baixo por caractere.
• Surrogate pairs: um caractere fora do BMP (emoji, CJK raro) são dois code units UTF-16; contagem ingênua por code unit conta demais; usar Array.from ou Intl.Segmenter.
• Criptoanálise de cifras de substituição: frequência de letras em inglês E, T, A, O, I, N, S, H, R (mais comuns nessa ordem); uma cifra de substituição preserva a distribuição.
• Frequência CJK: depende do corpus (romance moderno, poesia clássica, texto técnico) e do nível de análise (caractere, palavra, bigrama); a página é agnóstica ao corpus.
• Top-N e cauda: a página renderiza os 10-20 caracteres principais por padrão, com um bucket de cauda para os restantes; útil para identificar padrões em textos densos.
• Diferenciação de maiúsculas: a página expõe um alternador sensível/insensível a maiúsculas; inglês é tipicamente insensível (E e e são a mesma letra, apenas formas diferentes), CJK é sempre insensível (não conceito de maiúsculas).
• Desempenho: O(N) para contagem, O(K log K) para ordenar K caracteres distintos; a página processa textos de 1 milhão de caracteres bem menos de um segundo, que é o padrão de produção.