29 guides sur texte
Compter, comparer, nettoyer et convertir du texte. Des guides sur ce qu'un caractère, un mot et un octet signifient pour une machine — et pourquoi les trois comptes d'un même paragraphe tombent rarement d'accord.
Classés par le nombre de pages du site qui renvoient vers eux, pas par audience.
Mesuré, pas affirmé : 90 phrases courtes réelles dans six langues, aucune refusée et 68 justes — 76 %, tombant à 64 % en dessous de seize lettres. Quatre des réponses fausses sont revenues avec 100 % de confiance.
Daniel Okonkwo · 18 min
01/02/2026, c'est le 1er février dans la plus grande partie de l'Europe et le 2 janvier aux États-Unis, et rien dans la chaîne ne dit lequel. ISO 8601 règle cela, se trie comme du texte, et cesse d'être accepté en quatre points précis que la RFC 3339 refuse.
Daniel Okonkwo · 17 min
Comment distinguer un générateur de clé secrète solide d'un générateur douteux, avec celui-ci comme exemple travaillé : quelle source aléatoire il appelle, comment calculer l'entropie soi-même, et ce qui casse vraiment le jour où l'on change la clé.
Daniel Okonkwo · 14 min
La numérotation commence à 1 et ne peut pas être mise à 0, l'alignement se fait avec des espaces et non des zéros, et l'outil de suppression annule huit des onze séparateurs sans toucher à l'indentation. Ce qu'il ne sait toujours pas faire, c'est distinguer tes numéros des siens.
Daniel Okonkwo · 17 min
Un émoji vaut 1 caractère, ou 7, ou 11, ou 25, selon qui compte. Lequel ton formulaire, ta base et ta passerelle SMS veulent dire — et un test d'un seul collage pour savoir auquel tu as affaire.
Daniel Okonkwo · 14 min
La casse de titre anglaise a trois seuils différents selon le guide de style. Le français, l'espagnol, le portugais et l'italien n'en ont aucun. L'allemand capitalise chaque nom. L'outil n'en sait rien — voici exactement ce qu'il fait.
Daniel Okonkwo · 14 min
Une URL en fin de phrase garde le point ; une adresse e-mail en fin de la même phrase, non. Un prénom accentué dans une adresse revient tronqué. Chaque cas a été passé dans les outils et la sortie exacte est reproduite.
Daniel Okonkwo · 15 min
C'est grep pour ceux qui n'utilisent pas grep, avec une différence de taille : la recherche est une sous-chaîne littérale, si bien qu'une vraie expression régulière renvoie une zone vide sans message d'erreur. Chaque affirmation a été vérifiée en exécutant l'outil.
Daniel Okonkwo · 12 min
Deux lignes qui paraissent identiques ne le sont souvent pas. La casse, une espace finale, une espace insécable et deux encodages différents de la même lettre accentuée ont été passés dans le détecteur de doublons : il n'en a signalé aucun dans trois cas sur quatre.
Daniel Okonkwo · 12 min
Un collage transporte des caractères invisibles : espaces insécables, traits d'union conditionnels, espaces de largeur nulle, tabulations et CRLF. Quatre outils de nettoyage ont été passés sur chacun, et ils utilisent trois définitions différentes de l'espace.
Daniel Okonkwo · 13 min
Retirer des balises et assainir du HTML sont deux métiers différents. Un fragment réel passé dans une regex naïve puis dans un nettoyeur conscient de la mise en forme, avec le contenu des script et style, les coupures de blocs, les commentaires, les CDATA et l'ordre des entités montrés en sortie.
Daniel Okonkwo · 16 min
Replier les diacritiques est une étape de normalisation, et une normalisation ne fonctionne que si la même fonction s'applique à l'index et à la requête. NFC contre NFD avec les points de code affichés, et les lettres — ø, ł, ß, œ, ı — qui sortent du repli intactes.
Daniel Okonkwo · 16 min
Retirer les balises avant de décoder les entités, couper les espaces avant de dédupliquer, écraser les blancs en dernier. Trois ordres exécutés dans Node, un pipeline de neuf étapes dans le bon sens, et les caractères invisibles — U+00A0, U+200B, U+FEFF — qui survivent à tout nettoyage naïf.
Daniel Okonkwo · 16 min
Les conventions ne relèvent pas du goût. Le trait d'union est l'opérateur moins : kebab-case ne peut donc pas être un identifiant dans la plupart des langages - et c'est précisément pourquoi CSS et les URL l'utilisent. Avec en prime l'aller-retour sur les acronymes qui corrompt les noms en silence, et la règle qui le corrige.
Daniel Okonkwo · 13 min
Un caractère, c'est trois choses à la fois. Un emoji avec teinte de peau vaut 1 graphème, 2 points de code et 4 unités UTF-16. Tous les comptages de ce guide ont été mesurés dans Node, avec en prime pourquoi un SMS tombe de 160 à 70 et pourquoi VARCHAR(255) ne fait pas 255 de quoi que ce soit de précis.
Daniel Okonkwo · 12 min
Le Flesch Reading Ease et le niveau Flesch-Kincaid comptent des syllabes et des longueurs de phrase. Rien d'autre. Les deux formules en entier, un passage noté de bout en bout, et l'astuce de la virgule qui offre 3,9 niveaux scolaires sans changer un mot.
Daniel Okonkwo · 13 min
Rien n'est mis en forme. Chaque lettre est remplacée par un autre caractère Unicode qui ressemble à du gras ou du cursif — d'où un lecteur d'écran qui lit du charabia et des appareils qui affichent des carrés vides.
Daniel Okonkwo · 8 min
Un compte de mots est une définition, pas une mesure. Nous avons compté le même paragraphe de quatre façons et obtenu 25, 28, 33 et 38 — puis compté 50 000 caractères de prose ordinaire et obtenu un accord à 4,5 % près. L'écart tient entièrement aux composés, aux chiffres et aux URL.
Daniel Okonkwo · 13 min
1 234,56 et 1,234.56 sont le même nombre, et les confondre change la valeur que lit un lecteur. Nous avons lancé Intl.NumberFormat pour les six locales du site et imprimé chaque séparateur — dont l'invisible qu'emploie le français — puis mesuré pourquoi parseFloat ne peut rien défaire.
Daniel Okonkwo · 14 min
Un emoji visible peut valoir un point de code ou quatorze unités UTF-16. Nous avons lancé trois expressions régulières répandues sur une vraie phrase : chacune a cassé différemment, l'une a supprimé les chiffres. Voici pourquoi, quelle propriété Unicode répond à quelle question, et la règle de groupes de graphèmes qui marche vraiment.
Daniel Okonkwo · 14 min
Un 𝐀 qui semble gras n'est pas la lettre A en gras — c'est U+1D400, un caractère distinct inventé pour les mathématiques. Nous avons imprimé les points de code, mesuré le coût en octets, cassé la recherche, le tri et le comptage de mots avec, et scanné le bloc pour trouver ses 28 trous.
Daniel Okonkwo · 14 min
Les listes de tâches ne sont pas dans CommonMark. C'est une extension de GitHub Flavored Markdown, d'où des cases à cocher ici et des crochets littéraux là. La règle exacte du marqueur, l'effet de l'imbrication, et un tableau de ce qui est CommonMark, GFM ou ni l'un ni l'autre — vérifié sur les deux spécifications et quatre moteurs de rendu.
Daniel Okonkwo · 12 min
« Couper aux espaces » échoue dans la plupart des systèmes d'écriture. UAX #14 donne à chaque caractère une classe de coupure ; nous avons cherché les nôtres dans Unicode 17.0.0 et exécuté une implémentation conforme sur espaces insécables, traits d'union conditionnels, espaces de largeur nulle, URL, japonais et thaï.
Daniel Okonkwo · 14 min
Passer d'une liste à retours à la ligne à une liste à virgules est trivial jusqu'à ce qu'un élément contienne une virgule. Les règles de guillemets de la RFC 4180, pourquoi un champ CSV peut contenir un saut de ligne, pourquoi les tableurs européens utilisent le point-virgule, et ce qu'un élément vide fait à l'aller-retour — chaque cas exécuté et imprimé.
Daniel Okonkwo · 14 min
Le mot de rang n apparaît environ 1/n fois moins que le premier. Nous avons compté six livres du domaine public, imprimé rang × fréquence, ajusté log fréquence contre log rang, et obtenu des pentes entre -1,02 et -1,08 dans les six langues — et les deux endroits où la loi casse.
Daniel Okonkwo · 15 min
Un lien devient un texte dont la destination a disparu, une liste imbriquée perd sa hiérarchie, un tableau devient une file de mots. Puis la moitié technique : le markdown n'a pas de spécification unique, et un nettoyeur à base de regex abîme un nom de fichier, un signe de multiplication et l'intérieur d'un bloc de code — le tout confronté à un vrai analyseur.
Daniel Okonkwo · 14 min
Casse, blancs, ponctuation et signes diacritiques : quatre politiques, six phrases réelles, et la réponse change à chaque fois. Puis la moitié la plus difficile — inverser une chaîne n'est pas défini en soi, et l'inversion par unité de code casse les émojis et détache les accents, démonstration dans Node.
Daniel Okonkwo · 13 min
Gourmand contre paresseux sur la même chaîne, le point qui saute les retours à la ligne, $& et $$ dans le remplacement, une regex /g réutilisée qui saute une ligne en silence, et pourquoi /i ignore tout du i turc. Chaque échec exécuté dans Node, avec une routine compter-puis-remplacer qui les attrape.
Daniel Okonkwo · 15 min
L'ordre des unités de code, l'ordre naturel et la collation par locale exécutés sur la même liste dans Node, sorties affichées. Pourquoi Zebra passe avant apple, pourquoi item10 passe avant item9, et pourquoi ä est voisin de a en allemand mais après z en suédois.
Daniel Okonkwo · 13 min