مائیکروسافٹ ورڈ اور آن لائن کاؤنٹرز میں الفاظ کی گنتی کے فرق کی وجوہات

1. الفاظ کی متضاد گنتی کا عام مسئلہ

طلباء، مترجمین، صحافی اور مصنفین اکثر اس پریشانی کا شکار ہوتے ہیں کہ جب وہ کسی مقالے یا مضمون کو مائیکروسافٹ ورڈ (Word) میں دیکھتے ہیں تو وہاں الفاظ کی تعداد 1,000 نظر آتی ہے، لیکن جب وہی متن کسی آن لائن کاؤنٹر، گوگل ڈاکس یا کیٹ ٹول (CAT Tool) میں ڈالا جائے تو تعداد 970 یا 1,040 نکلتی ہے۔

یہ کوئی اتفاقی غلطی نہیں ہے بلکہ مختلف پروگراموں کے الفاظ کی حد بندی (Word Boundary Segmentation) کے الگورتھمز کا بنیادی فرق ہے۔

2. فرق پیدا کرنے والے چار بڑے عوامل

الف. ہائفن والے مرکب الفاظ (Hyphenated Words)

اگر متن میں state-of-the-art لکھا ہو تو سادہ آن لائن کاؤنٹرز جو صرف خالی جگہ (Whitespace) پر الفاظ الگ کرتے ہیں، اسے 1 لفظ گنیں گے۔ لیکن مائیکروسافٹ ورڈ ہائفن کو الفاظ کا الگ کرنے والا سمبل مان کر اسے 4 الگ الفاظ کے طور پر گنتا ہے۔

ب. یونیکوڈ ٹیکسٹ سیگمنٹیشن (Unicode UAX #29 بمقابلہ ریگولر ایکسپریشنز)

سادہ اسکرپٹس عام طور پر text.split(/\s+/) کا آسان فارمولا استعمال کرتے ہیں۔ اس کے برعکس، جدید پروفیشنل ٹولز یونیکوڈ کے معیاری انیکس #29 (Unicode Standard Annex #29) اور براؤزر کے Intl.Segmenter کا استعمال کرتے ہیں، جو پنکچوایشن، علامات اور بغیر فاصلے والے حروف کو درست طور پر الگ کرتا ہے۔

ج. اردو رسم الخط اور نستعلیق کے خاص چیلنجز

اردو تحریر میں بعض اوقات دو الفاظ بغیر اسپیس کے جوڑ کر لکھے جاتے ہیں لیکن ان کے درمیان زیرو-وڈتھ نان-جوائنر (ZWNJ - U+200C) ہوتا ہے (جیسے "بےشک" یا "سبق‌آموز")۔ اگر کاؤنٹر صرف خالی جگہ کو بنیاد بنائے تو وہ دو الگ الفاظ کو ایک لفظ بنا دے گا۔ GoToolstack کا کاؤنٹر اردو زبان کی اس باریکی کا مکمل ادراک رکھتا ہے۔

د. ویب لنکس، ای میلز اور خصوصی علامات

ای میل ایڈریس (جیسے [email protected]) کو مائیکروسافٹ ورڈ 1 لفظ مانتا ہے، جبکہ بعض سخت کاؤنٹرز علامت @ اور ڈاٹ پر اسے 3 الفاظ میں توڑ دیتے ہیں۔

3. تقابلی تجزیاتی جدول

معیارات اور دستاویزات

• Unicode Standard Annex #29: یونیکوڈ ٹیکسٹ سیگمنٹیشن اور ورڈ باؤنڈری رولز۔