Wörter zählen

Was zählt – und wer zählt

Die Wortzählung stammt nicht von uns. Die Wörter kommen aus dem Unicode-Segmentierer des Browsers, der mit seinem Standard-Gebietsschema statt mit einem bestimmten aufgerufen wird, und die Seite behält die Teile, die er als wortartig markiert. Nichts hier ergänzt darüber hinaus eine Regel für Bindestriche, Apostrophe oder Ziffern – Sie erhalten das Urteil des Segmentierers darüber, wo Wörter anfangen. Deshalb stimmt das Ergebnis auf Chinesisch und Japanisch, und deshalb können zwei Browser auf zwei Rechnern beim selben Text ganz leicht voneinander abweichen. In einem Browser, der zu alt ist, um den Segmentierer zu kennen, teilt die Seite ersatzweise an Leerraum auf und sagt Ihnen, dass die Zahl ungefähr ist – genau die Zahl, die einfachere Zähler Ihnen ständig liefern, ohne es zu sagen.

Absätze und Zeilen zählen wir nach eigenen Regeln, und das sind nicht dieselben. Eine Absatzgrenze ist eine Leerzeile – zwei Zeilenumbrüche, zwischen denen nur Leerzeichen oder Tabs stehen –, daher zählt eine abgelegte Windows-Textdatei mit erhaltenen Wagenrückläufen als ein einziger Absatz; in das Feld eingefügter Text hat dieses Problem nie, weil ein Textfeld Zeilenvorschübe übergibt. Zeilen werden so gezählt wie am Rand eines Editors: Ein leeres Feld hat null Zeilen, ein Wort ist eine Zeile, und eine Datei, die mit einem Zeilenumbruch endet, hat eine leere letzte Zeile, die mitzählt. Das ist bewusst nicht das, was wc auf der Kommandozeile meldet – dort ist es die Zahl der Zeilenabschlüsse.

Zwei kleinere Entscheidungen klären die meisten Diskussionen über die Zahlen. Die Zählung der Zeichen ohne Leerzeichen entfernt alles, was der Browser als Leerraum ansieht – auch das geschützte Leerzeichen, das mit von Webseiten kopiertem Text kommt –, aber kein Leerzeichen ohne Breite, das kein Leerraum ist und in der Zählung bleibt. Und das längste Wort sowie die durchschnittliche Wortlänge werden in Codepunkten gemessen statt in den Graphem-Clustern, die die Hauptzahl der Zeichen verwendet – ein Wort mit einem Emoji oder einem kombinierenden Akzent misst hier also mehr, als es aussieht. Die Häufigkeitstabelle blendet rund sechzig häufige englische Funktionswörter aus, sofern Sie sie nicht anfordern, und gleicht Groß- und Kleinschreibung nach der einfachen englischen Regel an, egal in welcher Sprache Sie schreiben.

Wenn Sie etwas anderes brauchen

Wenn ein bestimmtes Programm das Urteil fällt, zählt nur die Zahl dieses Programms. Eine Fachzeitschrift, die achttausend Wörter einschließlich Literaturverzeichnis verlangt, meint die Zahl, die Word liefert, und Word zählt Felder, Fußnoten, Beschriftungen und Textfelder nach seinen eigenen Einstellungen. Diese Seite liegt bei gewöhnlichem Fließtext nah dran, trifft es aber nicht aufs Wort – reichen Sie also nach dem Tool ein, mit dem Sie bewertet werden, nicht nach diesem.

Für mehr als ein Dokument ist das Zählen eine Shell-Zeile. wc -w nimmt einen ganzen Ordner auf einmal und verarbeitet Dateien als Stream, auch wenn sie größer als Ihr Arbeitsspeicher sind; bei Markdown, HTML oder LaTeX entfernt ein vorheriger Durchlauf durch pandoc zu Nur-Text das Markup, sodass Codeblöcke, Linkziele und Tags nicht als Fließtext gezählt werden – das ist der Unterschied zwischen der Wortzahl eines Repositorys und einer echten. Beides kann ein Eingabefeld für vierhundert Dateien nicht leisten.