عدّ الأحرف والكلمات يبدو بسيطًا، لكن الكتابة العربية تطرح تعقيدًا خاصًا بها: التشكيل (الحركات) والأشكال المتعددة للحرف الواحد حسب موضعه في الكلمة تجعل تعريف "حرف واحد" أقل وضوحًا مما يبدو.
الحركات: علامات منفصلة فوق الحرف أو تحته
في النصوص المُشكَّلة بالكامل (كما في القرآن الكريم أو كتب الأطفال)، تُضاف الحركات — الفتحة والضمة والكسرة والسكون والشدة — كنقاط ترميز مستقلة تُلحق بالحرف الأساسي. بصريًا تبدو الحركة جزءًا من الحرف، لكنها من منظور يونيكود حرف تشكيلي منفصل، فكلمة واحدة مشكَّلة بالكامل قد تحتوي على نقاط ترميز أكثر بكثير من عدد الحروف الظاهرة للعين.
معظم النصوص اليومية بلا تشكيل
خارج السياقات الدينية والتعليمية، تُكتب العربية اليومية — الأخبار، الرسائل، مواقع الويب — بلا حركات تقريبًا؛ القارئ يستنتج النطق الصحيح من السياق. هذا يعني أن عدّ الأحرف في نص عربي عادي يعكس عادة الهيكل الساكن للكلمات فقط، بينما نفس النص مشكَّلًا بالكامل سيُحسب بعدد أحرف أكبر بكثير رغم أنه يمثّل نفس الكلمات.
اللام ألف: حرفان مندمجان بصريًا في شكل واحد
تلتقي "اللام" و"الألف" غالبًا في شكل مركّب واحد "لا" (لام-ألف) يبدو للعين حرفًا واحدًا مركّبًا، بينما يمثّله يونيكود بنقطتي ترميز منفصلتين أو بحرف مركّب خاص حسب الترميز المستخدم. الفارق بين التمثيلين لا يغيّر الشكل المعروض لكنه قد يغيّر نتيجة عدّ الأحرف بين نظامين مختلفين.
لماذا نحتاج هذا
- التحقق من نص مقابل حد أحرف (تغريدة، رسالة نصية، حقل نموذج).
- تقدير وقت قراءة مقالة من عدد كلماتها.
- فهم لماذا يختلف عدد الأحرف بين نسخة مشكَّلة وأخرى غير مشكَّلة من نفس النص تمامًا.
عدّ الكلمات في اللغات بلا مسافات
في الصينية أو اليابانية أو التايلاندية، لا تُفصَل الكلمات تقليديًا بمسافات — الحد بين الكلمات تحدده القواعد والسياق، لا فاصل صريح. لذلك فإن "عدّ الكلمات" في هذه اللغات يتطلب في الواقع خوارزمية تجزئة نص منفصلة، والعدّ الساذج القائم على المسافات إما يعطي "كلمة" واحدة للنص بأكمله أو يفقد معناه تمامًا.