माइक्रोसॉफ्ट वर्ड और ऑनलाइन काउंटर्स में शब्द संख्या अलग क्यों आती है?

1. प्रत्यक्ष विश्लेषण: वर्ड काउंटर्स में परिणाम अलग क्यों आते हैं?

जब आप एक ही टेक्स्ट को Microsoft Word, Google Docs और किसी ऑनलाइन वर्ड काउंटर में पेस्ट करते हैं, तो अक्सर अलग-अलग संख्याएं मिलती हैं। यह किसी बग के कारण नहीं, बल्कि प्रत्येक सॉफ्टवेयर के टेक्स्ट विभाजन (Tokenization) एल्गोरिदम और नियमों के अंतर का स्वाभाविक परिणाम है।

लगभग 95% अंतर इन पांच प्रमुख तकनीकी कारणों से होते हैं:

• हाइफ़न वाले शब्द: state-of-the-art को 1 शब्द माना जाए या 4 शब्द?
• एपोस्ट्रॉफी वाले शब्द: don't या user's को एक शब्द गिना जाए या दो?
• डैश और हाइफ़न का अंतर: सामान्य हाइफ़न (-) और लंबे डैश (— / –) का प्रभाव।
• इमोजी और UTF-16 कोड इकाइयां: क्या इमोजी को 1 वर्ण माना जाए या 2 कोड इकाइयां?
• बिना स्पेस वाली भाषाएं (CJK): चीनी और जापानी में बिना स्पेस के शब्दों की पहचान कैसे होती है।

2. चार महत्वपूर्ण मेट्रिक्स: शब्द, वर्ण (स्पेस सहित/रहित), और पैराग्राफ

तुलना करने से पहले इन चार अलग-अलग गणनाओं को समझना आवश्यक है:

3. GoToolstack वर्ड काउंटर इंजन: वास्तविक कोड कार्यप्रणाली

GoToolstack का ब्राउज़र-आधारित टूल निम्नलिखित जावास्क्रिप्ट रेगुलर एक्सप्रेशन का उपयोग करता है:

const rawWords = v.match(/[\p{L}\p{N}]+(?:['’\-][\p{L}\p{N}]+)*/gu) || [];
const words = rawWords.length;
const chars = v.length;
const charsns = v.replace(/\s/g, '').length;
const sentences = (v.match(/[.!?]+(\s|$)/g) || []).length;
const paras = v.trim() === '' ? 0 : v.split(/\n+/).filter(p => p.trim().length > 0).length;

इस इंजन के वास्तविक परिणाम:

• हाइफ़न वाले शब्द: नियम (?:['’\-][\p{L}\p{N}]+)* के कारण state-of-the-art को 1 शब्द गिना जाता है।
• एपोस्ट्रॉफी: सीधे (') और घुमावदार (’) एपोस्ट्रॉफी वाले शब्द 1 शब्द के रूप में सुरक्षित रहते हैं।
• लंबा डैश (Em-dash): लंबा डैश (—) समूह में न होने के कारण शब्द1—शब्द2 को 2 अलग शब्दों में बांटता है।
• इमोजी: v.length UTF-16 इकाइयों को मापता है। इमोजी 🚀 2 वर्ण और संयुक्त पारिवारिक इमोजी 11 इकाइयां देता है।

4. Microsoft Word बनाम ऑनलाइन काउंटर्स: आधिकारिक वर्ड नियम

Microsoft Word में (Microsoft Word आधिकारिक दस्तावेज़ के अनुसार):

• Word डिफ़ॉल्ट रूप से हाइफ़न से जुड़े शब्दों को 1 शब्द मानता है।
• फ़ुटनोट और टेक्स्ट बॉक्स की गणना वर्ड काउंट विंडो में टेक्स्ट बॉक्स, फ़ुटनोट और एंडनोट शामिल करें विकल्प पर निर्भर करती है।
• स्लैश वाले शब्द (हाँ/ना) व्याकरण शब्दकोश के आधार पर एक या दो शब्दों के रूप में गिने जा सकते हैं।

5. पढ़ने और बोलने का अनुमानित समय: गति मॉडल

प्रदर्शित समय कोई निश्चित नियम नहीं बल्कि सांख्यिकीय अनुमान है:

• मौन वाचन गति: GoToolstack 200 शब्द प्रति मिनट (WPM) मानता है (Math.round(words / 200))। शोध (Brysbaert, 2019) के अनुसार सामान्य वयस्क पढ़ने की गति 238 WPM और तकनीकी ग्रंथों में 150-180 WPM होती है।
• बोलने की गति: प्रस्तुति मानकों के अनुसार 130 शब्द प्रति मिनट (Math.round(words / 130)) की दर लागू की जाती है।

6. बिना स्पेस वाली भाषाएं: चीनी और जापानी (CJK) सीमाएं

चीनी और जापानी में शब्दों के बीच स्पेस नहीं दिया जाता (जैसे: 我喜欢编写软件 या 日本語の文字数を数える)।

7. GoToolstack टेक्स्ट टूल्स

बिना सर्वर अपलोड के अपने ब्राउज़र में टेक्स्ट का सुरक्षित विश्लेषण और रूपांतरण करें:

• वर्ड काउंटर: शब्दों, वर्णों, वाक्यों और अनुमानित पढ़ने के समय का विश्लेषण।
• केस कन्वर्टर: अपरकेस, लोअरकेस और टाइटल केस में तुरंत बदलें।
• टेक्स्ट टूल्स श्रेणी: ब्राउज़र-आधारित स्ट्रिंग उपयोगिताओं का संपूर्ण संग्रह।

तकनीकी संदर्भ और आधिकारिक मानक

• Microsoft Support: Microsoft Word में शब्द गणना दिखाएं (डेस्कटॉप, वेब, मैक और फ़ुटनोट विकल्प).
• Brysbaert, M. (2019): हम प्रति मिनट कितने शब्द पढ़ते हैं? पढ़ने की दर का मेटा-विश्लेषण (Journal of Memory and Language).
• Unicode Standard Annex #29: यूनिकोड टेक्स्ट सेगमेंटेशन (शब्द सीमाएं, ग्रैफीम क्लस्टर और वाक्य विभाजन).