Инструмент подсчёта слов

Инструмент подсчёта слов используется для вычисления различных статистических данных текста в реальном времени, включая количество символов, слов, строк и др. Независимо от того, пишете ли вы статьи, диссертации, комментарии к коду или контент для социальных сетей, этот инструмент поможет быстро получить базовую информацию о тексте. Этот инструмент поддерживает смешанную статистику китайского и английского, способен интеллектуально распознавать китайские иероглифы и английские слова и подсчитывать их отдельно. Также предоставляется оценка времени чтения, чтобы вы знали, сколько времени читателю потребуется для прочтения вашего контента. Для опубликованного или многоязычного контента результат нужно проверить по языку, charset, контексту и edge cases.

Подсчёт слов выполняется разделением по Unicode-пробелам с помощью регулярного выражения, близкого к `text.trim().split(/\s+/).filter(Boolean)` для латинских письменностей, которое совпадает с ASCII-пробелами, табуляциями, переводами строк и Unicode-разделителями, такими как U+00A0 (неразрывный пробел) и U+2028 (разделитель строк). Это правило работает для английского, французского, немецкого и других языков с разделением слов пробелами, но не подходит для китайского, японского и тайского, где пробелы между словами отсутствуют. Поэтому CJK-текст считается по символам: `[...text].length` вместо `text.length`, поскольку оператор spread итерирует Unicode-кодовые точки и корректно обрабатывает суррогатные пары для символов выше U+FFFF (например, CJK Unified Ideographs Extension B начиная с U+20000 и большинство эмодзи на U+1F300+). Класс CJK-символов определяется с помощью Unicode-свойства `/\p{Script=Han}/u` для китайских иероглифов. Свойство `length` строки JavaScript считает UTF-16 кодовые единицы, а не символы, поэтому `'👨‍👩‍👧'.length === 8`, тогда как видимый глиф — один графемный кластер, составленный из трёх эмодзи, соединённых U+200D (Zero-Width Joiner). Точный подсчёт использует `Intl.Segmenter('en', { granularity: 'grapheme' })`, доступный во всех современных браузерах с 2023 года; для сегментации на слова на любом языке, включая CJK, `Intl.Segmenter(locale, { granularity: 'word' })` следует Unicode Standard Annex #29 и является наиболее корректным вариантом, когда он доступен. Границы предложений определяются по `[.!?…。！？]+`, за которыми следует пробел или конец строки, а абзацы — по двум или более последовательным переводам строк (`/\n\s*\n/`). Оценки скорости чтения и озвучки используют опубликованные константы скорости чтения. Мета-анализ Brysbaert (2019) показывает скорость молчаливого чтения взрослых на уровне 238 слов в минуту для нехудожественного английского текста, поэтому 225-250 wpm — стандартное значение по умолчанию в интерфейсах. Молчаливое чтение китайского текста в среднем составляет 350-500 символов в минуту. Скорость речи ниже: в выступлениях TED в среднем 163 wpm, а при озвучке аудиокниг целевое значение — 150-160 wpm. Лимит Twitter в 280 символов засчитывает CJK и большинство эмодзи как 2 взвешенных символа через библиотеку `twitter-text`, а пара региональных индикаторов (флаговый эмодзи) занимает 4 UTF-16 кодовые единицы по `.length`.

• Разделение по пробелам: `text.trim().split(/\s+/).filter(Boolean)` работает для латинских письменностей; не подходит для CJK и тайского, где отсутствуют межсловные пробелы.
• Подсчёт CJK-символов использует `[...text].length` для корректной итерации Unicode-кодовых точек (обрабатывает суррогатные пары выше U+FFFF, например расширенные иероглифы и эмодзи).
• `string.length` возвращает UTF-16 кодовые единицы, а не графемы: эмодзи-семья 👨‍👩‍👧 имеет `.length === 8`, но является одним видимым символом.
• Наиболее точная сегментация: `Intl.Segmenter(locale, { granularity: 'word' | 'grapheme' })` реализует Unicode Standard Annex #29.
• Значения скорости чтения по умолчанию: английский 225-250 wpm молча (Brysbaert, 2019), китайский 350-500 символов/мин; речь 150-160 wpm для озвучки, 163 wpm в среднем для TED.
• Разделение на предложения: `[.!?…。！？]+\s+`; разделение на абзацы: `\n\s*\n`; подсчёт строк: `text.split('\n').length`.
• Twitter засчитывает CJK и большинство эмодзи как 2 символа к лимиту в 280 через `twitter-text`; флаговый эмодзи (пара региональных индикаторов) имеет `.length === 4` в UTF-16.