শব্দ গণনা করুন

কী গোনা হয়, আর গোনে কে

শব্দসংখ্যা আমাদের হিসাব নয়। শব্দ আসে ব্রাউজারের নিজস্ব Unicode সেগমেন্টার থেকে, যাকে কোনো নির্দিষ্ট ভাষা নয়, তার ডিফল্ট লোকেল ধরে জিজ্ঞেস করা হয়, আর পেজটি সেই অংশগুলো রাখে যেগুলোকে সে শব্দের মতো বলে চিহ্নিত করে। এর ওপর হাইফেন, অ্যাপোস্ট্রফি বা অঙ্কের জন্য এখানে কোনো নিয়ম যোগ করা হয় না — আপনি পান শব্দ কোথায় শুরু হয় সে বিষয়ে সেগমেন্টারের বিচার, আর এ কারণেই চীনা ও জাপানিতে উত্তর সঠিক হয়, আবার দুটি মেশিনের দুটি ব্রাউজার একই লেখায় সামান্য আলাদা ফল দিতে পারে। সেগমেন্টার না থাকা পুরোনো ব্রাউজারে পেজটি স্পেস ধরে ভাগ করার পদ্ধতিতে ফিরে যায় এবং জানিয়ে দেয় যে সংখ্যাটি আনুমানিক — সাধারণ কাউন্টারগুলো কিছু না বলেই সবসময় এই সংখ্যাটিই দেয়।

অনুচ্ছেদ আর লাইন গোনা হয় আমাদের নিজস্ব নিয়মে, আর দুটির নিয়ম এক নয়। অনুচ্ছেদের সীমানা হলো একটি ফাঁকা লাইন — দুটি লাইন ব্রেক, যার মাঝে শুধু স্পেস বা ট্যাব ছাড়া কিছু নেই — তাই ক্যারেজ রিটার্ন অক্ষত থাকা একটি Windows টেক্সট ফাইল ছাড়লে তা একটিমাত্র অনুচ্ছেদ হিসেবে গোনা হয়; বক্সে পেস্ট করা লেখায় এই সমস্যা কখনো হয় না, কারণ টেক্সট বক্স লাইন ফিড দেয়। লাইন গোনা হয় এডিটরের পাশের নম্বর কলামের মতো করে: খালি বক্স মানে শূন্য লাইন, একটি শব্দ মানে এক লাইন, আর নিউলাইনে শেষ হওয়া ফাইলের শেষে একটি খালি লাইন থাকে, যা গোনা হয়। এটি ইচ্ছে করেই কমান্ড লাইনের wc-এর হিসাব নয়, যা লাইন শেষের চিহ্নের সংখ্যা জানায়।

ছোট দুটি সিদ্ধান্তেই সংখ্যা নিয়ে বেশিরভাগ তর্কের মীমাংসা হয়। স্পেস ছাড়া অক্ষর গোনার সময় ব্রাউজার যা কিছুকে হোয়াইটস্পেস বলে, সব বাদ যায় — ওয়েব পেজ থেকে কপি করা লেখার সঙ্গে আসা নন-ব্রেকিং স্পেসও — কিন্তু জিরো-উইডথ স্পেস বাদ যায় না, কারণ তা হোয়াইটস্পেস নয়, তাই গণনায় থেকে যায়। আর সবচেয়ে লম্বা শব্দ ও গড় শব্দদৈর্ঘ্য মাপা হয় কোড পয়েন্টে, প্রধান অক্ষরসংখ্যায় ব্যবহৃত গ্রাফিম ক্লাস্টারে নয়, তাই ইমোজি বা যুক্ত অ্যাকসেন্ট থাকা শব্দ দেখতে যতটা, এখানে তার চেয়ে লম্বা মাপা হয়। শব্দের পুনরাবৃত্তির টেবিল ইংরেজির প্রায় ষাটটি সাধারণ ফাংশন ওয়ার্ড লুকিয়ে রাখে, যদি না আপনি সেগুলো দেখতে চান, আর আপনি যে ভাষাতেই লিখুন, বড়-ছোট হাতের অক্ষর মেলায় ইংরেজির সাধারণ নিয়মে।

অন্য কিছু দরকার হলে

যখন নির্দিষ্ট কোনো প্রোগ্রাম বিচার করবে, তখন শুধু সেই প্রোগ্রামের সংখ্যাই গণ্য। কোনো জার্নাল যখন রেফারেন্সসহ আট হাজার শব্দ বলে, তখন তারা বোঝায় Word যে সংখ্যা দেয় সেটি, আর Word নিজের সেটিংস অনুযায়ী ফিল্ড, ফুটনোট, ক্যাপশন ও টেক্সট বক্স গোনে। সাধারণ গদ্যে এই পেজের হিসাব কাছাকাছি আসবে, কিন্তু প্রতিটি শব্দ পর্যন্ত মিলবে না, তাই যে টুল আপনাকে মূল্যায়ন করবে, তার সংখ্যা ধরেই জমা দিন, এটির নয়।

একটির বেশি ডকুমেন্টের জন্য গোনার কাজ শেলের এক লাইনেই হয়। wc -w একবারে পুরো একটি ফোল্ডার নেয় এবং আপনার মেমোরির চেয়ে বড় ফাইলও স্ট্রিম করে; Markdown, HTML বা LaTeX-এর ক্ষেত্রে আগে ফাইলটিকে pandoc দিয়ে প্লেইন টেক্সটে নিলে মার্কআপ বাদ যায়, ফলে কোড ব্লক, লিংকের ঠিকানা আর ট্যাগ গদ্য হিসেবে গোনা হয় না — রিপোজিটরির শব্দসংখ্যা আর আসল শব্দসংখ্যার ফারাক এটিই। চারশো ফাইলের জন্য এর কোনোটিই একটি পেস্ট বক্স করতে পারে না।