29 guide su testo
Contare, confrontare, ripulire e convertire testo. Guide su che cosa significano un carattere, una parola e un byte per una macchina — e perché i tre conteggi dello stesso paragrafo raramente coincidono.
Ordinati per quante pagine del sito rimandano a loro, non per traffico.
Misurato, non affermato: 90 frasi brevi reali in sei lingue, nessuna rifiutata e 68 giuste — il 76%, che scende al 64% sotto le sedici lettere. Quattro delle risposte sbagliate sono tornate con il 100% di fiducia.
Daniel Okonkwo · 16 min
01/02/2026 è il 1º febbraio in gran parte d'Europa e il 2 gennaio negli Stati Uniti, e nulla nella stringa dice quale. ISO 8601 risolve la cosa, si ordina come testo, e smette di bastare in quattro punti precisi che la RFC 3339 rifiuta.
Daniel Okonkwo · 16 min
Come distinguere un generatore di chiavi segrete solido da uno dubbio, con questo come esempio svolto: quale fonte casuale chiama, come calcolare l'entropia da soli e che cosa si rompe davvero il giorno in cui si ruota la chiave.
Daniel Okonkwo · 13 min
La numerazione parte da 1 e non si può impostare a 0, l'allineamento usa spazi e non zeri, e lo strumento che li toglie annulla otto degli undici separatori senza toccare l'indentazione. Quello che ancora non sa fare è distinguere i tuoi numeri dai suoi.
Daniel Okonkwo · 15 min
Un'emoji vale 1 carattere, o 7, o 11, o 25, a seconda di chi conta. Quale intendono il tuo modulo, il tuo database e il tuo gateway SMS — e un test con un solo incolla per capire con quale hai a che fare.
Daniel Okonkwo · 13 min
Il maiuscolo di titolo inglese ha tre soglie diverse a seconda del manuale di stile. Francese, spagnolo, portoghese e italiano non ne hanno nessuna. Il tedesco scrive maiuscolo ogni sostantivo. Lo strumento non sa nulla di tutto ciò: ecco esattamente cosa fa.
Daniel Okonkwo · 13 min
Un URL a fine frase si tiene il punto; un indirizzo email a fine della stessa frase no. Un nome accentato dentro un indirizzo torna troncato. Ogni caso qui è stato passato negli strumenti e l'output esatto è riportato.
Daniel Okonkwo · 14 min
Questo è grep per chi non usa grep, con una differenza importante: la ricerca è una sottostringa letterale, quindi una vera espressione regolare restituisce un riquadro vuoto e nessun errore. Ogni affermazione è stata verificata eseguendo lo strumento.
Daniel Okonkwo · 11 min
Due righe che sembrano identiche spesso non lo sono. Le maiuscole, uno spazio finale, uno spazio unificatore e due codifiche diverse della stessa lettera accentata sono stati passati nel rilevatore di duplicati, che in tre casi su quattro non ne ha segnalato nessuno.
Daniel Okonkwo · 11 min
Un incolla porta con sé caratteri invisibili: spazi unificatori, trattini morbidi, spazi a larghezza zero, tabulazioni e CRLF. Quattro strumenti di pulizia sono stati eseguiti su ciascuno, e usano tre definizioni diverse di spazio.
Daniel Okonkwo · 12 min
Togliere i tag e sanificare l'HTML sono due lavori diversi. Un frammento reale passato attraverso una regex ingenua e attraverso un rimuovitore consapevole della formattazione, con i contenuti di script e style, le interruzioni di blocco, i commenti, i CDATA e l'ordine delle entità mostrati in output.
Daniel Okonkwo · 15 min
Ripiegare i segni diacritici è un passaggio di normalizzazione, e la normalizzazione funziona solo se la stessa funzione gira sull'indice e sulla query. NFC contro NFD con i punti di codice in chiaro, e le lettere — ø, ł, ß, œ, ı — che escono dal ripiegamento intatte.
Daniel Okonkwo · 15 min
Togliere i tag prima di decodificare le entità, ripulire i bordi prima di deduplicare, comprimere gli spazi per ultimo. Tre ordini eseguiti in Node, una pipeline di nove passaggi nella sequenza giusta e i caratteri invisibili — U+00A0, U+200B, U+FEFF — che sopravvivono a ogni pulizia ingenua.
Daniel Okonkwo · 15 min
Le convenzioni non sono gusto. Il trattino è l'operatore meno, quindi kebab-case non può essere un identificatore nella maggior parte dei linguaggi: ecco perché lo usano CSS e URL. In più, il viaggio di andata e ritorno sugli acronimi che corrompe i nomi in silenzio, e la regola che lo risolve.
Daniel Okonkwo · 12 min
Un carattere è tre cose insieme. Un'emoji con tonalità di pelle è 1 grafema, 2 code point e 4 unità UTF-16. Ogni conteggio di questa guida è stato misurato in Node, più il motivo per cui un SMS scende da 160 a 70 e perché VARCHAR(255) non sono 255 di niente in particolare.
Daniel Okonkwo · 12 min
Il Flesch Reading Ease e il livello Flesch-Kincaid contano sillabe e lunghezza delle frasi. Nient'altro. Entrambe le formule per intero, un brano valutato da cima a fondo e il trucco della virgola che regala 3,9 anni scolastici senza cambiare una parola.
Daniel Okonkwo · 12 min
Nulla viene formattato. Ogni lettera è sostituita da un diverso carattere Unicode che sembra grassetto o corsivo, ed è per questo che uno screen reader legge un guazzabuglio e alcuni dispositivi mostrano quadratini vuoti.
Daniel Okonkwo · 7 min
Un conteggio di parole è una definizione, non una misura. Abbiamo contato lo stesso paragrafo in quattro modi ottenendo 25, 28, 33 e 38; poi abbiamo contato 50.000 caratteri di prosa ordinaria ottenendo accordo entro il 4,5 %. Lo scarto dipende interamente da composti, cifre e URL.
Daniel Okonkwo · 12 min
1.234,56 e 1,234.56 sono lo stesso numero, e confonderli cambia il valore che un lettore legge. Abbiamo eseguito Intl.NumberFormat per tutte e sei le lingue del sito e stampato ogni separatore — compreso quello invisibile usato dal francese — e poi misurato perché parseFloat non può disfare nulla di tutto ciò.
Daniel Okonkwo · 13 min
Una emoji visibile può valere un punto di codice o quattordici unità UTF-16. Abbiamo lanciato tre espressioni regolari diffuse su una frase vera e ognuna si è rotta in modo diverso; una ha cancellato le cifre. Ecco perché, quale proprietà Unicode risponde a quale domanda, e la regola a gruppi di grafemi che funziona davvero.
Daniel Okonkwo · 13 min
Una 𝐀 che sembra in grassetto non è la lettera A in grassetto: è U+1D400, un carattere distinto inventato per la matematica. Abbiamo stampato i punti di codice, misurato il costo in byte, rotto ricerca, ordinamento e conteggio parole, e scandito il blocco per trovarne i 28 buchi.
Daniel Okonkwo · 13 min
Le liste di attività non sono in CommonMark. Sono un'estensione di GitHub Flavored Markdown, ed è per questo che lo stesso file mostra caselle in un posto e parentesi quadre letterali in un altro. La regola esatta del marcatore, cosa fa l'annidamento e una tabella di cosa è CommonMark, cosa è GFM e cosa non è nessuno dei due — verificato su entrambe le specifiche e quattro motori di resa.
Daniel Okonkwo · 12 min
«Andare a capo sugli spazi» fallisce nella maggior parte dei sistemi di scrittura. UAX #14 assegna a ogni carattere una classe di interruzione di riga; abbiamo cercato le nostre in Unicode 17.0.0 ed eseguito un'implementazione conforme su spazi unificatori, trattini morbidi, spazi a larghezza zero, URL, giapponese e thai.
Daniel Okonkwo · 13 min
Trasformare un elenco a capo in un elenco a virgole è banale finché un elemento non contiene una virgola. Le regole di virgolettatura della RFC 4180, perché un campo CSV può contenere un a capo, perché i fogli di calcolo europei usano il punto e virgola, e cosa fa un elemento vuoto all'andata e ritorno — ogni caso eseguito e stampato.
Daniel Okonkwo · 13 min
La parola di rango n compare circa 1/n volte rispetto alla prima. Abbiamo contato sei libri di pubblico dominio, stampato rango × frequenza, stimato log frequenza contro log rango e ottenuto pendenze fra -1,02 e -1,08 in tutte e sei le lingue — più i due punti in cui la legge si rompe.
Daniel Okonkwo · 14 min
Un link diventa testo con la destinazione cancellata, un elenco annidato perde la gerarchia, una tabella diventa una fila di parole. Poi la metà tecnica: il markdown non ha una sola specifica, e un ripulitore a base di regex rovina un nome di file, un segno di moltiplicazione e l'interno di un blocco di codice — tutto messo a confronto con un vero parser.
Daniel Okonkwo · 13 min
Maiuscole, spazi, punteggiatura e segni diacritici: quattro politiche, sei frasi reali, e la risposta cambia con ciascuna. Poi la metà più difficile — invertire una stringa non è di per sé definito, e l'inversione per unità di codice rompe le emoji e stacca gli accenti, dimostrato in Node.
Daniel Okonkwo · 12 min
Goloso contro pigro sulla stessa stringa, il punto che salta gli a capo, $& e $$ nella sostituzione, una regex /g riusata che salta una riga in silenzio, e perché /i non sa nulla della i turca. Ogni guasto eseguito in Node, con una routine conta-poi-sostituisci che li intercetta.
Daniel Okonkwo · 14 min
Ordine per unità di codice, ordine naturale e collazione per locale eseguiti sulla stessa lista in Node, con gli output stampati. Perché Zebra precede apple, perché item10 precede item9 e perché ä sta accanto ad a in tedesco ma dopo la z in svedese.
Daniel Okonkwo · 12 min