الفاظ گنیں

کیا گنا جاتا ہے، اور گنتی کون کرتا ہے

الفاظ کی گنتی ہماری نہیں۔ الفاظ براؤزر کے اپنے Unicode سیگمنٹر سے آتے ہیں، جس سے کسی مخصوص لوکیل کے بجائے اس کا ڈیفالٹ لوکیل مانگا جاتا ہے، اور صفحہ وہ ٹکڑے رکھتا ہے جنہیں وہ لفظ جیسا قرار دیتا ہے۔ یہاں اس کے اوپر ہائفنز، اپوسٹروفیز یا ہندسوں کے لیے کوئی اضافی قاعدہ نہیں لگایا جاتا — آپ کو سیگمنٹر کا یہ فیصلہ ملتا ہے کہ الفاظ کہاں شروع ہوتے ہیں، اسی لیے چینی اور جاپانی میں جواب درست ہوتا ہے، اور اسی لیے دو مشینوں پر دو براؤزر ایک ہی ٹیکسٹ پر بہت معمولی فرق دکھا سکتے ہیں۔ جس پرانے براؤزر میں سیگمنٹر نہ ہو، وہاں صفحہ اسپیس پر تقسیم کرنے کا طریقہ استعمال کرتا ہے اور بتا دیتا ہے کہ عدد تخمینی ہے — یہی وہ عدد ہے جو سادہ کاؤنٹرز ہر وقت دیتے ہیں اور بتاتے بھی نہیں۔

پیراگراف اور لائنیں ہمارے اپنے قواعد سے گنی جاتی ہیں، اور یہ ایک ہی قاعدہ نہیں۔ پیراگراف کی حد خالی لائن ہے — دو لائن بریکس جن کے بیچ صرف اسپیس یا ٹیبز ہوں — اس لیے Windows کی ٹیکسٹ فائل اپنے carriage returns سمیت ڈراپ کی جائے تو ایک ہی پیراگراف گنی جاتی ہے؛ باکس میں پیسٹ کیے گئے ٹیکسٹ میں یہ مسئلہ کبھی نہیں ہوتا، کیونکہ ٹیکسٹ باکس line feeds دیتا ہے۔ لائنیں اسی طرح گنی جاتی ہیں جیسے ایڈیٹر کا گٹر گنتا ہے: خالی باکس صفر لائنیں ہے، ایک لفظ ایک لائن ہے، اور جو فائل newline پر ختم ہو اس کی آخری خالی لائن بھی گنی جاتی ہے۔ یہ جان بوجھ کر کمانڈ لائن کے wc سے مختلف ہے، جو لائن ختم کرنے والے حروف کی تعداد بتاتا ہے۔

دو چھوٹے فیصلے نمبرز پر زیادہ تر بحثیں نمٹا دیتے ہیں۔ اسپیس کے بغیر حروف میں وہ سب ہٹا دیا جاتا ہے جسے براؤزر whitespace کہتا ہے، جس میں ویب صفحے سے کاپی کیے گئے ٹیکسٹ کے ساتھ آنے والی non-breaking space بھی شامل ہے — لیکن zero-width space نہیں، جو whitespace نہیں اور گنتی میں رہتی ہے۔ اور سب سے لمبا لفظ اور الفاظ کی اوسط لمبائی code points میں ناپی جاتی ہے، نہ کہ ان grapheme clusters میں جو اوپر والے حروف کے عدد میں استعمال ہوتے ہیں، اس لیے ایموجی یا combining accent والا لفظ یہاں دکھنے سے زیادہ لمبا نکلتا ہے۔ فریکوئنسی ٹیبل انگریزی کے تقریباً ساٹھ عام function words چھپا دیتا ہے جب تک آپ انہیں نہ مانگیں، اور بڑے چھوٹے حروف کو انگریزی کے سادہ قاعدے سے یکساں کرتا ہے، چاہے آپ کسی بھی زبان میں لکھ رہے ہوں۔

جب آپ کو کچھ اور چاہیے

جب فیصلہ کوئی مخصوص پروگرام کرنے والا ہو تو صرف اسی پروگرام کا عدد معتبر ہے۔ جو جرنل کہتا ہے کہ حوالوں سمیت آٹھ ہزار الفاظ، اس کی مراد Word کا نکالا ہوا عدد ہے، اور Word فیلڈز، فٹ نوٹس، کیپشنز اور ٹیکسٹ باکسز اپنی سیٹنگز کے مطابق گنتا ہے۔ یہ صفحہ عام تحریر پر قریب رہے گا لیکن لفظ بہ لفظ میل نہیں کھائے گا، اس لیے اس ٹول کے مطابق جمع کرائیں جو آپ کو جانچ رہا ہے، اس کے مطابق نہیں۔

ایک سے زیادہ دستاویزات کے لیے گنتی ایک شیل لائن کا کام ہے۔ wc -w ایک ساتھ پورا فولڈر لے لیتا ہے اور آپ کی میموری سے بڑی فائلیں بھی اسٹریم کر لیتا ہے؛ Markdown، HTML یا LaTeX کے لیے فائل کو پہلے pandoc سے گزار کر سادہ ٹیکسٹ بنانے سے مارک اپ ہٹ جاتا ہے، تاکہ کوڈ فینسز، لنک ٹارگٹس اور ٹیگز تحریر کے طور پر نہ گنے جائیں — یہی فرق ہے ریپوزٹری کی الفاظ کی گنتی اور اصل گنتی میں۔ پیسٹ باکس چار سو فائلوں کے لیے ان میں سے کچھ بھی نہیں کر سکتا۔