29 guías sobre texto
Contar, comparar, limpiar y convertir texto. Guías sobre lo que un carácter, una palabra y un byte significan para una máquina — y por qué los tres recuentos de un mismo párrafo rara vez coinciden.
Ordenados por cuántas páginas del sitio enlazan con ellos, no por tráfico.
Medido, no afirmado: 90 frases cortas reales en seis idiomas, ninguna rechazada y 68 acertadas — un 76%, que baja al 64% por debajo de dieciséis letras. Cuatro de las respuestas erróneas volvieron con un 100% de confianza.
Daniel Okonkwo · 17 min
01/02/2026 es el 1 de febrero en casi toda Europa y el 2 de enero en Estados Unidos, y nada en la cadena dice cuál. ISO 8601 lo resuelve, se ordena como texto, y deja de valer en cuatro puntos concretos que la RFC 3339 rechaza.
Daniel Okonkwo · 17 min
Cómo distinguir un generador de claves secretas sólido de uno dudoso, con este como ejemplo trabajado: qué fuente aleatoria llama, cómo calcular la entropía por tu cuenta y qué se rompe de verdad el día que rotas la clave.
Daniel Okonkwo · 14 min
La numeración empieza en 1 y no se puede poner a 0, la alineación se hace con espacios y no con ceros, y la herramienta que los quita deshace ocho de los once separadores sin tocar la indentación. Lo que sigue sin poder hacer es distinguir tus números de los suyos.
Daniel Okonkwo · 16 min
Un emoji vale 1 carácter, o 7, o 11, o 25, según quién cuente. Cuál quieren decir tu formulario, tu base de datos y tu pasarela de SMS, y una prueba de un solo pegado para saber a cuál te enfrentas.
Daniel Okonkwo · 13 min
Las mayúsculas de título inglesas tienen tres cortes distintos según el manual de estilo. El español, el francés, el portugués y el italiano no tienen ninguno. El alemán pone en mayúscula cada sustantivo. La herramienta no sabe nada de esto: aquí está exactamente lo que hace.
Daniel Okonkwo · 14 min
Una URL al final de una frase se queda con el punto; una dirección de correo al final de esa misma frase, no. Un nombre acentuado dentro de una dirección vuelve truncado. Cada caso se pasó por las herramientas y aquí está la salida exacta.
Daniel Okonkwo · 14 min
Esto es grep para quien no usa grep, con una diferencia importante: la búsqueda es una subcadena literal, así que una expresión regular de verdad devuelve un cuadro vacío y ningún error. Cada afirmación se comprobó ejecutando la herramienta.
Daniel Okonkwo · 11 min
Dos líneas que parecen idénticas a menudo no lo son. La caja, un espacio final, un espacio duro y dos codificaciones distintas de la misma letra acentuada se pasaron por el buscador de duplicados, y no señaló ninguno en tres de los cuatro casos.
Daniel Okonkwo · 11 min
Un pegado arrastra caracteres que no se ven: espacios duros, guiones opcionales, espacios de ancho cero, tabulaciones y CRLF. Se pasaron cuatro herramientas de limpieza por cada uno, y usan tres definiciones distintas de espacio.
Daniel Okonkwo · 12 min
Quitar etiquetas y sanear HTML son dos trabajos distintos. Un fragmento real pasado por una regex ingenua y por un limpiador consciente del formato, con el contenido de script y style, los cortes de bloque, los comentarios, los CDATA y el orden de las entidades mostrados en la salida.
Daniel Okonkwo · 16 min
Plegar los diacríticos es un paso de normalización, y la normalización solo funciona cuando la misma función corre sobre el índice y sobre la consulta. NFC frente a NFD con los puntos de código a la vista, y las letras — ø, ł, ß, œ, ı — que salen del plegado intactas.
Daniel Okonkwo · 16 min
Quitar etiquetas antes de decodificar entidades, recortar antes de deduplicar, colapsar los espacios al final. Tres órdenes ejecutados en Node, un pipeline de nueve pasos en la secuencia correcta y los caracteres invisibles — U+00A0, U+200B, U+FEFF — que sobreviven a cualquier limpieza ingenua.
Daniel Okonkwo · 15 min
Las convenciones no son cuestión de gusto. El guion es el operador menos, así que kebab-case no puede ser un identificador en la mayoría de lenguajes, y por eso justamente lo usan CSS y las URL. Además, el viaje de ida y vuelta con siglas que corrompe nombres en silencio, y la regla que lo arregla.
Daniel Okonkwo · 13 min
Un carácter son tres cosas a la vez. Un emoji con tono de piel es 1 grafema, 2 puntos de código y 4 unidades UTF-16. Todos los recuentos de esta guía se midieron en Node, más por qué un SMS cae de 160 a 70 y por qué VARCHAR(255) no son 255 de nada en concreto.
Daniel Okonkwo · 12 min
El Flesch Reading Ease y el nivel Flesch-Kincaid cuentan sílabas y longitud de frase. Nada más. Las dos fórmulas completas, un pasaje puntuado de principio a fin y el truco de la coma que regala 3,9 cursos sin cambiar una palabra.
Daniel Okonkwo · 12 min
Nada se estiliza. Cada letra se sustituye por otro carácter Unicode que resulta parecerse a negrita o cursiva, y por eso un lector de pantalla lee un galimatías y algunos dispositivos muestran cuadros vacíos.
Daniel Okonkwo · 7 min
Un recuento de palabras es una definición, no una medida. Contamos el mismo párrafo de cuatro formas y obtuvimos 25, 28, 33 y 38; luego contamos 50 000 caracteres de prosa corriente y obtuvimos acuerdo dentro del 4,5 %. La diferencia se debe por completo a compuestos, cifras y URL.
Daniel Okonkwo · 12 min
1.234,56 y 1,234.56 son el mismo número, y confundirlos cambia el valor que lee un lector. Ejecutamos Intl.NumberFormat para las seis locales del sitio e imprimimos cada separador —incluido el invisible que usa el francés— y luego medimos por qué parseFloat no puede deshacer nada de eso.
Daniel Okonkwo · 14 min
Un emoji visible puede valer un punto de código o catorce unidades UTF-16. Lanzamos tres expresiones regulares populares sobre una frase real y cada una falló de otra forma; una borró los dígitos. Aquí está el porqué, qué propiedad Unicode responde a qué pregunta, y la regla de grupos de grafemas que sí funciona.
Daniel Okonkwo · 13 min
Una 𝐀 que parece negrita no es la letra A en negrita: es U+1D400, un carácter distinto inventado para las matemáticas. Imprimimos los puntos de código, medimos el coste en bytes, rompimos la búsqueda, la ordenación y el recuento de palabras con ellos, y escaneamos el bloque para encontrar sus 28 huecos.
Daniel Okonkwo · 13 min
Las listas de tareas no están en CommonMark. Son una extensión de GitHub Flavored Markdown, y por eso el mismo fichero muestra casillas en un sitio y corchetes literales en otro. La regla exacta del marcador, qué hace el anidamiento y una tabla de qué es CommonMark, qué es GFM y qué no es ninguno — comprobado contra ambas especificaciones y cuatro renderizadores.
Daniel Okonkwo · 12 min
«Cortar en los espacios» falla en la mayoría de los sistemas de escritura. UAX #14 da a cada carácter una clase de corte de línea; buscamos las nuestras en Unicode 17.0.0 y ejecutamos una implementación conforme sobre espacios duros, guiones blandos, espacios de ancho cero, URL, japonés y tailandés.
Daniel Okonkwo · 13 min
Pasar de una lista con saltos de línea a una lista con comas es trivial hasta que un elemento contiene una coma. Las reglas de comillas de la RFC 4180, por qué un campo CSV puede contener un salto de línea, por qué las hojas de cálculo europeas usan el punto y coma, y qué le hace un elemento vacío a la ida y vuelta — cada caso ejecutado e impreso.
Daniel Okonkwo · 14 min
La palabra de rango n aparece unas 1/n veces respecto a la primera. Contamos seis libros de dominio público, imprimimos rango × frecuencia, ajustamos log frecuencia contra log rango y obtuvimos pendientes entre -1,02 y -1,08 en las seis lenguas — y los dos sitios donde la ley falla.
Daniel Okonkwo · 14 min
Un enlace se convierte en texto con su destino borrado, una lista anidada pierde su jerarquía, una tabla se vuelve una fila de palabras. Luego la mitad técnica: el markdown no tiene una especificación única, y un limpiador a base de regex destroza un nombre de archivo, un signo de multiplicación y el interior de un bloque de código — todo confrontado con un analizador de verdad.
Daniel Okonkwo · 13 min
Caja, espacios, puntuación y diacríticos: cuatro políticas, seis frases reales, y la respuesta cambia con cada una. Luego la mitad más difícil — invertir una cadena no está definido de por sí, y la inversión por unidad de código rompe los emojis y desprende los acentos, demostrado en Node.
Daniel Okonkwo · 12 min
Codicioso contra perezoso sobre la misma cadena, el punto que se salta los saltos de línea, $& y $$ en el reemplazo, una regex /g reutilizada que se salta una fila en silencio, y por qué /i no sabe nada de la i turca. Cada fallo ejecutado en Node, con una rutina contar-y-luego-reemplazar que los atrapa.
Daniel Okonkwo · 14 min
Orden de unidades de código, orden natural y colación por locale ejecutados sobre la misma lista en Node, con las salidas impresas. Por qué Zebra va antes que apple, por qué item10 va antes que item9 y por qué ä está junto a a en alemán pero después de z en sueco.
Daniel Okonkwo · 12 min