Compter les mots

Ce qui est compté, et qui fait le comptage

Le nombre de mots ne vient pas de nous. Les mots sont fournis par le segmenteur Unicode du navigateur lui-même, interrogé avec sa langue par défaut plutôt qu'avec une langue précise, et la page garde les fragments qu'il signale comme des mots. Rien ici n'ajoute de règle pour les traits d'union, les apostrophes ou les chiffres : vous obtenez le jugement du segmenteur sur l'endroit où commencent les mots, ce qui explique pourquoi le résultat est juste en chinois et en japonais, et pourquoi deux navigateurs sur deux machines peuvent différer très légèrement sur un même texte. Sur un navigateur trop ancien pour disposer du segmenteur, la page se rabat sur un découpage aux espaces et vous indique que le chiffre est approximatif — c'est le nombre que les compteurs plus simples vous donnent en permanence, sans le dire.

Paragraphes et lignes sont comptés selon nos propres règles, et ce ne sont pas les mêmes. Une limite de paragraphe est une ligne vide — deux retours à la ligne séparés uniquement par des espaces ou des tabulations —, si bien qu'un fichier texte Windows déposé avec ses retours chariot intacts compte comme un seul paragraphe ; un texte collé dans la zone n'a jamais ce problème, car une zone de texte transmet des sauts de ligne. Les lignes sont comptées comme dans la marge d'un éditeur : une zone vide compte zéro ligne, un mot compte une ligne, et un fichier qui se termine par un retour à la ligne a une dernière ligne vide qui compte. Ce n'est volontairement pas ce que renvoie la commande wc, qui compte les caractères de fin de ligne.

Deux choix plus discrets tranchent la plupart des débats sur les chiffres. Le compte de caractères sans espaces retire tout ce que le navigateur considère comme un espace, y compris l'espace insécable qui arrive avec un texte copié depuis une page web — mais pas l'espace sans chasse, qui n'est pas un espace et reste dans le compte. Et le mot le plus long comme la longueur moyenne des mots sont mesurés en points de code plutôt qu'en graphèmes, l'unité qu'utilise le nombre de caractères principal : un mot contenant un emoji ou un accent combinant paraît donc plus long ici qu'à l'œil. Le tableau de fréquence masque une soixantaine de mots grammaticaux anglais courants, sauf si vous demandez à les voir, et ignore la casse selon la règle anglaise simple, quelle que soit la langue dans laquelle vous écrivez.

Si vous cherchez autre chose

Quand un logiciel précis va juger, seul le chiffre de ce logiciel compte. Une revue qui annonce huit mille mots bibliographie comprise parle du chiffre que produit Word, et Word compte les champs, les notes de bas de page, les légendes et les zones de texte selon ses propres réglages. Cette page tombera près sur de la prose ordinaire, mais pas au mot près : fiez-vous à l'outil qui vous évalue plutôt qu'à celui-ci.

Au-delà d'un document, le comptage tient en une ligne de commande. wc -w traite tout un dossier d'un coup et lit en flux des fichiers plus gros que votre mémoire ; pour du Markdown, du HTML ou du LaTeX, faire d'abord passer le fichier par pandoc pour le convertir en texte brut retire le balisage, afin que les blocs de code, les cibles de liens et les balises ne soient pas comptés comme de la prose — c'est l'écart entre le nombre de mots d'un dépôt et le vrai. Ni l'un ni l'autre n'est à la portée d'une zone de collage pour quatre cents fichiers.