글자수 단어수 카운터

입력하거나 붙여 넣으면 숫자들이 실시간으로 움직입니다. 공백 포함·미포함 글자 수, 단어 수, 문장 수, 줄 수, 그리고 UTF-8 바이트 크기까지 나옵니다. 이것들을 나란히 보여 주는 이유는 서로 어긋나기 때문이고, 그 어긋남이 문제가 되는 순간은 보이지 않는 어딘가에서 제한이 걸릴 때입니다. 길이가 맞아야 하는 게시물, 잘리면 안 되는 메타 설명, 글자가 아니라 바이트를 세는 컬럼 같은 것들 말입니다.

여기서 글자 수는 유니코드 코드 포인트를 뜻하고, 이것만으로도 대부분의 코드가 내놓는 답보다 낫습니다. 자바스크립트의 .length는 UTF-16 단위를 세므로 웃는 얼굴 😀이 거기서는 2로, 여기서는 1로 읽힙니다. 하지만 코드 포인트도 최종 답은 아닙니다. 가족 이모지 👨‍👩‍👧‍👦는 화면에서 하나인데 7로 세어집니다. 보이지 않는 폭 없는 결합자 세 개로 이어 붙인 네 사람이기 때문입니다. 그리고 UTF-16 단위로는 11개, UTF-8 바이트로는 25바이트를 차지합니다. 이 네 숫자 중 무엇도 틀리지 않았습니다. 서로 다른 네 가지 질문에 대한 답일 뿐입니다.

바이트는 라틴 알파벳 바깥에 있는 사람들을 놀라게 하는 숫자입니다. 아스키 문자는 1바이트, 악센트가 붙은 라틴 문자는 2바이트, 한과 대부분의 한중일 문자는 3바이트, 이모지는 4바이트입니다. 그래서 255바이트짜리 필드에는 영어 255자가 들어가거나 한글 85자가 들어갑니다. 한 언어에서는 제한 안에 넉넉히 들어오던 메시지가 다른 언어에서는 넘칩니다. 어떤 시스템이 제한을 "글자 수"로 설명한다면, 여유가 있다고 믿기 전에 그 중 무엇을 뜻하는지 알아낼 가치가 있습니다.

두 가지 집계는 본질적으로 근삿값입니다. 단어는 공백으로 나뉜 덩어리를 세므로, 단어 사이에 공백을 두는 언어에서는 맞고 중국어·일본어·태국어에서는 맞지 않습니다. 그쪽에서는 문단 하나가 통째로 한 단어가 됩니다. 문장은 ., !, ?와 전각 대응 문자에서 나누므로, Dr. Smith 같은 약어가 두 문장으로 읽히고 숫자 안의 소수점도 경계로 읽힙니다. 둘 다 대략적인 길이 감각에는 충분하고, 정확해야 하는 용도에는 틀립니다.