29 Ratgeber zu text
Text zählen, vergleichen, säubern und umwandeln. Ratgeber darüber, was ein Zeichen, ein Wort und ein Byte für eine Maschine bedeuten — und warum die drei Zählungen desselben Absatzes selten übereinstimmen.
Sortiert danach, wie viele Seiten dieser Website auf sie verweisen — nicht nach Zugriffen.
Gemessen, nicht behauptet: 90 kurze echte Wendungen in sechs Sprachen, keine abgelehnt und 68 richtig — 76 %, unter sechzehn Buchstaben nur noch 64 %. Vier der falschen Antworten kamen mit 100 % Sicherheit zurück.
Daniel Okonkwo · 15 Min.
01/02/2026 ist in weiten Teilen Europas der 1. Februar und in den Vereinigten Staaten der 2. Januar, und nichts in der Zeichenkette sagt, welches. ISO 8601 löst das, sortiert sich wie Text und hört an vier bestimmten Stellen auf zu genügen, die RFC 3339 ablehnt.
Daniel Okonkwo · 15 Min.
Wie man einen soliden Geheimschlüssel-Generator von einem zweifelhaften unterscheidet, mit diesem als durchgerechnetem Beispiel: welche Zufallsquelle er aufruft, wie man die Entropie selbst berechnet und was am Tag des Schlüsselwechsels wirklich kaputtgeht.
Daniel Okonkwo · 12 Min.
Die Nummerierung beginnt bei 1 und lässt sich nicht auf 0 setzen, ausgerichtet wird mit Leerzeichen statt Nullen, und das Entfernen macht acht der elf Trennzeichen rückgängig, ohne die Einrückung anzutasten. Was es weiterhin nicht kann: deine Zahlen von seinen unterscheiden.
Daniel Okonkwo · 14 Min.
Ein Emoji ist 1 Zeichen, oder 7, oder 11, oder 25 — je nachdem, wer zählt. Welches dein Formular, deine Datenbank und dein SMS-Gateway meinen, und ein Test mit einem einzigen Einfügen, der es dir verrät.
Daniel Okonkwo · 11 Min.
Die englische Titelschreibweise hat je nach Stilhandbuch drei verschiedene Grenzen. Französisch, Spanisch, Portugiesisch und Italienisch haben gar keine. Deutsch schreibt jedes Substantiv groß. Das Werkzeug weiß von all dem nichts — hier steht genau, was es tut.
Daniel Okonkwo · 12 Min.
Eine URL am Satzende behält den Punkt; eine E-Mail-Adresse am Ende desselben Satzes nicht. Ein akzentuierter Vorname in einer Adresse kommt abgeschnitten zurück. Jeder Fall hier lief durch die Werkzeuge, und die exakte Ausgabe steht dabei.
Daniel Okonkwo · 12 Min.
Das ist grep für Menschen, die grep nicht benutzen — mit einem wichtigen Unterschied: Gesucht wird eine reine Teilzeichenkette, ein echter regulärer Ausdruck liefert also ein leeres Feld und keine Fehlermeldung. Jede Aussage hier wurde durch Ausführen des Werkzeugs geprüft.
Daniel Okonkwo · 10 Min.
Zwei Zeilen, die identisch aussehen, sind es oft nicht. Groß- und Kleinschreibung, ein Leerzeichen am Ende, ein geschütztes Leerzeichen und zwei verschiedene Kodierungen desselben Akzentbuchstabens liefen je durch den Duplikatfinder — in drei von vier Fällen meldete er keine Duplikate.
Daniel Okonkwo · 10 Min.
Ein Einfügen bringt unsichtbare Zeichen mit: geschützte Leerzeichen, weiche Trennstriche, Nullbreiten-Leerzeichen, Tabs und CRLF. Vier Bereinigungswerkzeuge liefen über jedes davon — und sie verwenden drei verschiedene Definitionen von Leerraum.
Daniel Okonkwo · 11 Min.
Tags entfernen und HTML bereinigen sind zwei verschiedene Aufgaben. Ein echtes Fragment durch eine naive Regex und durch einen formatbewussten Entferner geschickt, mit Script- und Style-Inhalten, Blockumbrüchen, Kommentaren, CDATA und der Reihenfolge der Entitäten als sichtbare Ausgabe.
Daniel Okonkwo · 13 Min.
Diakritika zu falten ist ein Normalisierungsschritt, und Normalisierung wirkt nur, wenn dieselbe Funktion über Index und Suchanfrage läuft. NFC gegen NFD mit offengelegten Codepunkten und die Buchstaben — ø, ł, ß, œ, ı —, die den Faltvorgang unverändert überstehen.
Daniel Okonkwo · 14 Min.
Tags entfernen, bevor Entitäten dekodiert werden, trimmen vor dem Deduplizieren, Leerraum zuletzt zusammenfassen. Drei Reihenfolgen in Node ausgeführt, eine neunstufige Pipeline in der richtigen Abfolge und die unsichtbaren Zeichen — U+00A0, U+200B, U+FEFF — die jede naive Bereinigung überleben.
Daniel Okonkwo · 14 Min.
Die Konventionen sind keine Geschmacksfrage. Der Bindestrich ist der Minus-Operator, deshalb kann kebab-case in den meisten Sprachen kein Bezeichner sein - und genau darum nutzen CSS und URLs ihn. Dazu der Akronym-Rundtrip, der Namen stillschweigend zerstört, und die Regel, die ihn heilt.
Daniel Okonkwo · 11 Min.
Ein Zeichen ist gleich drei Dinge. Ein Emoji mit Hautton ist 1 Graphemcluster, 2 Codepunkte und 4 UTF-16-Einheiten. Alle Zählungen in diesem Leitfaden wurden in Node gemessen - dazu, warum eine SMS von 160 auf 70 fällt und warum VARCHAR(255) keine 255 von irgendetwas Bestimmtem sind.
Daniel Okonkwo · 10 Min.
Flesch Reading Ease und Flesch-Kincaid-Klassenstufe zählen Silben und Satzlängen. Sonst nichts. Beide Formeln vollständig, eine Passage durchgerechnet und der Komma-Trick, der 3,9 Klassenstufen bringt, ohne ein Wort zu ändern.
Daniel Okonkwo · 11 Min.
Nichts wird formatiert. Jeder Buchstabe wird durch ein anderes Unicode-Zeichen ersetzt, das zufällig fett oder kursiv aussieht — weshalb ein Screenreader Kauderwelsch vorliest und manche Geräte leere Kästchen zeigen.
Daniel Okonkwo · 7 Min.
Eine Wortzahl ist eine Definition, keine Messung. Wir haben denselben Absatz auf vier Arten gezählt und 25, 28, 33 und 38 erhalten — dann 50.000 Zeichen gewöhnlicher Prosa gezählt und Übereinstimmung auf 4,5 % genau. Der Abstand rührt ausschließlich von Komposita, Zahlen und URLs her.
Daniel Okonkwo · 11 Min.
1.234,56 und 1,234.56 sind dieselbe Zahl, und sie zu verwechseln ändert den Wert, den eine Leserin herausliest. Wir haben Intl.NumberFormat für alle sechs Sprachen der Website laufen lassen und jedes Trennzeichen ausgegeben — auch das unsichtbare, das das Französische verwendet — und dann gemessen, warum parseFloat davon nichts rückgängig machen kann.
Daniel Okonkwo · 12 Min.
Ein sichtbares Emoji kann ein Codepunkt sein oder vierzehn UTF-16-Einheiten. Wir haben drei verbreitete reguläre Ausdrücke auf einen echten Satz losgelassen, und jeder ist anders gescheitert — einer löschte die Ziffern. Hier steht, warum, welche Unicode-Eigenschaft welche Frage beantwortet, und welche Graphemcluster-Regel wirklich funktioniert.
Daniel Okonkwo · 11 Min.
Ein fett wirkendes 𝐀 ist nicht der Buchstabe A in Fettschrift, sondern U+1D400, ein eigenes Zeichen, das für die Mathematik erfunden wurde. Wir haben die Codepunkte ausgegeben, die Kosten in Bytes gemessen, damit Suche, Sortierung und Wortzählung zerbrochen und den Block nach seinen 28 Lücken durchsucht.
Daniel Okonkwo · 12 Min.
Aufgabenlisten stehen nicht in CommonMark. Sie sind eine Erweiterung von GitHub Flavored Markdown, weshalb dieselbe Datei hier Kontrollkästchen und dort wörtliche Klammern zeigt. Die genaue Markerregel, was Verschachtelung bewirkt, und eine Tabelle darüber, was CommonMark ist, was GFM und was keines von beidem — gegen beide Spezifikationen und vier Renderer geprüft.
Daniel Okonkwo · 10 Min.
„An Leerzeichen umbrechen“ scheitert in den meisten Schriftsystemen der Welt. UAX #14 gibt jedem Zeichen eine Zeilenumbruchklasse; wir haben unsere in Unicode 17.0.0 nachgeschlagen und eine konforme Implementierung über geschützte Leerzeichen, weiche Trennstriche, Nullbreiten-Leerzeichen, URLs, Japanisch und Thai laufen lassen.
Daniel Okonkwo · 12 Min.
Aus einer Liste mit Zeilenumbrüchen eine Kommaliste zu machen ist trivial, bis ein Eintrag ein Komma enthält. Die Anführungsregeln von RFC 4180, warum ein CSV-Feld einen Zeilenumbruch enthalten darf, warum europäische Tabellenkalkulationen das Semikolon verwenden und was ein leerer Eintrag mit dem Hin- und Rückweg macht — jeder Fall ausgeführt und abgedruckt.
Daniel Okonkwo · 12 Min.
Das Wort mit Rang n kommt etwa 1/n so oft vor wie das häufigste. Wir haben sechs gemeinfreie Bücher gezählt, Rang × Häufigkeit ausgedruckt, log Häufigkeit gegen log Rang angepasst und in allen sechs Sprachen Steigungen zwischen -1,02 und -1,08 erhalten — dazu die zwei Stellen, an denen das Gesetz bricht.
Daniel Okonkwo · 13 Min.
Ein Link wird zu Text, dessen Ziel gelöscht ist, eine verschachtelte Liste verliert ihre Hierarchie, eine Tabelle wird zu einer Reihe von Wörtern. Dann die technische Hälfte: Markdown hat keine einzige Spezifikation, und ein Regex-Entferner verstümmelt einen Dateinamen, ein Malzeichen und das Innere eines Codeblocks - alles gegen einen echten Parser gehalten.
Daniel Okonkwo · 11 Min.
Groß- und Kleinschreibung, Leerraum, Satzzeichen und diakritische Zeichen: vier Regeln, sechs echte Sätze, und mit jeder ändert sich die Antwort. Dann die schwerere Hälfte - eine Zeichenkette umzukehren ist selbst nicht definiert, und die Umkehrung nach Codeeinheiten zerstört Emoji und löst Akzente ab, in Node vorgeführt.
Daniel Okonkwo · 11 Min.
Gierig gegen genügsam an derselben Zeichenkette, der Punkt, der Zeilenumbrüche überspringt, $& und $$ in der Ersetzung, eine wiederverwendete /g-Regex, die stillschweigend eine Zeile auslässt, und warum /i vom türkischen i nichts weiß. Jeder Fehlschlag in Node ausgeführt, mit einer Zähl-dann-Ersetze-Routine, die sie einfängt.
Daniel Okonkwo · 13 Min.
Codeeinheiten-Ordnung, natürliche Ordnung und Locale-Kollation an derselben Liste in Node ausgeführt, Ausgaben abgedruckt. Warum Zebra vor apple steht, warum item10 vor item9 steht und warum ä im Deutschen neben a liegt, im Schwedischen aber hinter z.
Daniel Okonkwo · 11 Min.