29 guias sobre texto
Contar, comparar, limpar e converter texto. Guias sobre o que um carácter, uma palavra e um byte significam para uma máquina — e porque é que as três contagens do mesmo parágrafo raramente coincidem.
Ordenados pelo número de páginas do site que remetem para eles, não por tráfego.
Medido, não afirmado: 90 frases curtas reais em seis idiomas, nenhuma recusada e 68 certas — 76%, caindo para 64% abaixo de dezasseis letras. Quatro das respostas erradas voltaram com 100% de confiança.
Daniel Okonkwo · 17 min
01/02/2026 é 1 de fevereiro na maior parte da Europa e 2 de janeiro nos Estados Unidos, e nada na cadeia diz qual. A ISO 8601 resolve isso, ordena-se como texto, e deixa de servir em quatro pontos concretos que a RFC 3339 recusa.
Daniel Okonkwo · 16 min
Como distinguir um gerador de chaves secretas sólido de um duvidoso, com este como exemplo trabalhado: que fonte aleatória chama, como calcular a entropia sozinho e o que se parte mesmo no dia em que se roda a chave.
Daniel Okonkwo · 13 min
A numeração começa em 1 e não pode ser posta a 0, o alinhamento faz-se com espaços e não com zeros, e a ferramenta que os remove desfaz oito dos onze separadores sem mexer na indentação. O que continua sem saber fazer é distinguir os seus números dos dela.
Daniel Okonkwo · 15 min
Um emoji vale 1 carácter, ou 7, ou 11, ou 25, consoante quem conta. Qual deles o seu formulário, a sua base de dados e o seu gateway de SMS querem dizer — e um teste de uma só colagem para saber com qual está a lidar.
Daniel Okonkwo · 13 min
As maiúsculas de título inglesas têm três cortes diferentes consoante o manual de estilo. O português, o francês, o espanhol e o italiano não têm nenhum. O alemão capitaliza todos os substantivos. A ferramenta não sabe nada disto — eis exatamente o que faz.
Daniel Okonkwo · 14 min
Um URL no fim de uma frase fica com o ponto; um endereço de e-mail no fim da mesma frase, não. Um nome acentuado dentro de um endereço volta truncado. Cada caso passou pelas ferramentas e a saída exata está aqui.
Daniel Okonkwo · 14 min
Isto é o grep para quem não usa grep, com uma diferença importante: a procura é uma subcadeia literal, pelo que uma expressão regular a sério devolve uma caixa vazia e nenhum erro. Cada afirmação foi verificada executando a ferramenta.
Daniel Okonkwo · 11 min
Duas linhas que parecem idênticas muitas vezes não são. A caixa, um espaço final, um espaço inquebrável e duas codificações diferentes da mesma letra acentuada foram passados pelo detetor de duplicados, e ele não assinalou nenhum em três dos quatro casos.
Daniel Okonkwo · 11 min
Uma colagem transporta carateres invisíveis: espaços inquebráveis, hífenes condicionais, espaços de largura nula, tabulações e CRLF. Quatro ferramentas de limpeza foram passadas por cada um, e usam três definições diferentes de espaço.
Daniel Okonkwo · 12 min
Retirar etiquetas e sanear HTML são dois trabalhos diferentes. Um fragmento real passado por uma regex ingénua e por um limpador consciente da formatação, com o conteúdo de script e style, os cortes de bloco, os comentários, os CDATA e a ordem das entidades mostrados na saída.
Daniel Okonkwo · 15 min
Rebater os diacríticos é um passo de normalização, e a normalização só funciona quando a mesma função corre sobre o índice e sobre a consulta. NFC contra NFD com os pontos de código à vista, e as letras — ø, ł, ß, œ, ı — que saem do rebatimento intactas.
Daniel Okonkwo · 16 min
Retirar etiquetas antes de descodificar entidades, aparar antes de desduplicar, colapsar os espaços no fim. Três ordens executadas no Node, um pipeline de nove passos na sequência certa e os caracteres invisíveis — U+00A0, U+200B, U+FEFF — que sobrevivem a qualquer limpeza ingénua.
Daniel Okonkwo · 15 min
As convenções não são gosto. O hífen é o operador menos, pelo que kebab-case não pode ser um identificador na maioria das linguagens - e é exatamente por isso que o CSS e os URL o usam. Mais a ida e volta com siglas que corrompe nomes em silêncio, e a regra que a corrige.
Daniel Okonkwo · 13 min
Um caráter são três coisas ao mesmo tempo. Um emoji com tom de pele é 1 grafema, 2 pontos de código e 4 unidades UTF-16. Todas as contagens deste guia foram medidas em Node, mais porque é que um SMS cai de 160 para 70 e porque é que VARCHAR(255) não são 255 de coisa nenhuma em concreto.
Daniel Okonkwo · 12 min
O Flesch Reading Ease e o nível Flesch-Kincaid contam sílabas e comprimento de frase. Mais nada. As duas fórmulas na íntegra, uma passagem pontuada de ponta a ponta e o truque da vírgula que oferece 3,9 anos de escolaridade sem mudar uma palavra.
Daniel Okonkwo · 12 min
Nada é estilizado. Cada letra é trocada por outro carácter Unicode que por acaso se parece com negrito ou cursivo — daí um leitor de ecrã ler uma algaraviada e alguns aparelhos mostrarem quadrados vazios.
Daniel Okonkwo · 7 min
Uma contagem de palavras é uma definição, não uma medição. Contámos o mesmo parágrafo de quatro maneiras e obtivemos 25, 28, 33 e 38; depois contámos 50 000 caracteres de prosa vulgar e obtivemos acordo dentro de 4,5 %. A diferença deve-se inteiramente a compostos, algarismos e URL.
Daniel Okonkwo · 12 min
1 234,56 e 1,234.56 são o mesmo número, e confundi-los muda o valor que um leitor lê. Corremos Intl.NumberFormat para as seis localizações do site e imprimimos cada separador — incluindo o invisível que o francês usa — e depois medimos porque parseFloat não consegue desfazer nada disso.
Daniel Okonkwo · 14 min
Um emoji visível pode valer um ponto de código ou catorze unidades UTF-16. Corremos três expressões regulares populares sobre uma frase real e cada uma falhou de maneira diferente; uma apagou os algarismos. Eis porquê, que propriedade Unicode responde a que pergunta, e a regra de grupos de grafemas que funciona mesmo.
Daniel Okonkwo · 13 min
Um 𝐀 que parece negrito não é a letra A a negrito — é U+1D400, um carácter distinto inventado para a matemática. Imprimimos os pontos de código, medimos o custo em bytes, partimos a pesquisa, a ordenação e a contagem de palavras com eles, e percorremos o bloco para encontrar os seus 28 buracos.
Daniel Okonkwo · 14 min
As listas de tarefas não estão no CommonMark. São uma extensão do GitHub Flavored Markdown, e por isso o mesmo ficheiro mostra caixas num sítio e parênteses retos literais noutro. A regra exata do marcador, o que faz o aninhamento e uma tabela do que é CommonMark, do que é GFM e do que não é nenhum — verificado contra ambas as especificações e quatro motores de apresentação.
Daniel Okonkwo · 12 min
«Quebrar nos espaços» falha na maioria dos sistemas de escrita. O UAX #14 dá a cada caráter uma classe de quebra de linha; procurámos as nossas no Unicode 17.0.0 e executámos uma implementação conforme sobre espaços inquebráveis, hifenes condicionais, espaços de largura zero, URL, japonês e tailandês.
Daniel Okonkwo · 13 min
Passar de uma lista com quebras de linha para uma lista com vírgulas é trivial até um item conter uma vírgula. As regras de aspas da RFC 4180, porque um campo CSV pode conter uma quebra de linha, porque as folhas de cálculo europeias usam o ponto e vírgula, e o que um item vazio faz à ida e volta — cada caso executado e impresso.
Daniel Okonkwo · 14 min
A palavra de posição n aparece cerca de 1/n vezes em relação à primeira. Contámos seis livros de domínio público, imprimimos posição × frequência, ajustámos log frequência contra log posição e obtivemos declives entre -1,02 e -1,08 nas seis línguas — e os dois pontos onde a lei falha.
Daniel Okonkwo · 14 min
Uma ligação torna-se texto com o destino apagado, uma lista aninhada perde a hierarquia, uma tabela torna-se uma fila de palavras. Depois a metade técnica: o markdown não tem uma especificação única, e um limpador à base de regex estraga um nome de ficheiro, um sinal de multiplicação e o interior de um bloco de código — tudo confrontado com um analisador a sério.
Daniel Okonkwo · 13 min
Caixa, espaços, pontuação e diacríticos: quatro políticas, seis frases reais, e a resposta muda com cada uma. Depois a metade mais difícil — inverter uma cadeia não está definido em si, e a inversão por unidade de código parte os emojis e desprende os acentos, demonstrado no Node.
Daniel Okonkwo · 12 min
Ganancioso contra preguiçoso sobre a mesma cadeia, o ponto que salta as quebras de linha, $& e $$ na substituição, uma regex /g reutilizada que salta uma linha em silêncio, e porque /i nada sabe do i turco. Cada falha executada no Node, com uma rotina contar-e-depois-substituir que as apanha.
Daniel Okonkwo · 14 min
Ordem de unidades de código, ordem natural e colação por locale executadas sobre a mesma lista no Node, com as saídas impressas. Porque Zebra vem antes de apple, porque item10 vem antes de item9 e porque ä fica ao lado de a em alemão mas depois de z em sueco.
Daniel Okonkwo · 12 min