Contar palabras

Qué se cuenta y quién hace el conteo

El conteo de palabras no es nuestro. Las palabras vienen del propio segmentador Unicode del navegador, consultado con su configuración regional predeterminada y no con una concreta, y la página conserva los fragmentos que marca como palabras. Aquí no se agrega ninguna regla para guiones, apóstrofos o dígitos por encima de eso: lo que obtienes es el criterio del segmentador sobre dónde empiezan las palabras, y por eso la respuesta es correcta en chino y japonés, y por eso dos navegadores en dos equipos pueden diferir muy ligeramente con el mismo texto. En un navegador tan antiguo que no tiene el segmentador, la página recurre a dividir por los espacios en blanco y te avisa de que la cifra es aproximada, que es el número que los contadores más simples te dan siempre sin decirlo.

Los párrafos y las líneas se cuentan con nuestras propias reglas, y no es la misma regla. Un límite de párrafo es una línea en blanco (dos saltos de línea con solo espacios o tabulaciones entre ellos), así que un archivo de texto de Windows que sueltes con sus retornos de carro intactos cuenta como un solo párrafo; el texto pegado en el cuadro nunca tiene ese problema, porque un cuadro de texto entrega saltos de línea simples. Las líneas se cuentan como las cuenta el margen numerado de un editor: un cuadro vacío tiene cero líneas, una palabra es una línea, y un archivo que termina en un salto de línea tiene una última línea vacía que cuenta. Eso, a propósito, no es lo que informa wc en la línea de comandos, que es el número de terminadores de línea.

Dos decisiones más pequeñas zanjan la mayoría de las discusiones sobre las cifras. Los caracteres sin espacios quitan todo lo que el navegador considera espacio en blanco, lo que incluye el espacio de no separación que llega con el texto copiado de una página web, pero no un espacio de ancho cero, que no es espacio en blanco y se queda en el conteo. Y la palabra más larga y la longitud media de las palabras se miden en puntos de código y no en los grupos de grafemas que usa la cifra principal de caracteres, así que una palabra con un emoji o un acento combinado mide aquí más de lo que parece. La tabla de frecuencias oculta unas sesenta palabras funcionales comunes del inglés a menos que las pidas, y convierte mayúsculas en minúsculas con la regla simple del inglés, sin importar el idioma en que escribas.

Si buscas otra cosa

Cuando un programa concreto va a ser el que juzgue, solo cuenta el número de ese programa. Una revista que pide ocho mil palabras incluidas las referencias se refiere a la cifra que da Word, y Word cuenta campos, notas al pie, leyendas y cuadros de texto según su propia configuración. Esta página se acercará mucho en prosa común, pero no coincidirá palabra por palabra, así que guíate por la herramienta con la que te van a evaluar y no por esta.

Para más de un documento, el conteo es una línea en la terminal. wc -w procesa una carpeta entera de una vez y lee por partes archivos más grandes que tu memoria; para Markdown, HTML o LaTeX, pasar primero el archivo por pandoc para convertirlo en texto sin formato elimina el marcado, de modo que los bloques de código, los destinos de los enlaces y las etiquetas no se cuenten como prosa, y esa es la diferencia entre el conteo de palabras de un repositorio y uno real. Ninguna de las dos cosas se puede hacer con un cuadro para pegar texto con cuatrocientos archivos.