Zeichen und Wörter zu zählen klingt trivial — bis man auf die deutsche Eigenheit stößt, die andere Sprachen für ganze Sätze brauchen, wo Deutsch ein einziges zusammengesetztes Wort bildet.
Komposita: ein Wort statt mehrerer
Deutsch bildet Substantive durch beliebiges Aneinanderreihen ohne Leerzeichen oder Bindestrich: „Donaudampfschifffahrtsgesellschaftskapitän" ist ein einziges Wort, das im Englischen als mehrteilige Phrase mit mehreren Leerzeichen ausgedrückt würde. Das bedeutet, ein Wortzähler zählt bei deutschem Text tendenziell weniger, aber im Schnitt deutlich längere „Wörter" als bei einem inhaltlich gleichwertigen englischen Text.
Warum die Wortzahl allein wenig aussagt
Weil ein einzelnes deutsches Kompositum oft eine ganze Nominalphrase ersetzt, ist ein reiner Wortzahl-Vergleich zwischen deutschem und englischem Text irreführend — ein deutscher Text mit weniger „Wörtern" kann inhaltlich genauso viel oder mehr aussagen. Für Übersetzungsvergleiche oder Lesezeitschätzungen ist die Zeichenzahl daher oft ein verlässlicherer Indikator als die reine Wortzahl.
Zeichen mit Umlaut und ß
Ein Zeichen wie „ü" kann als ein einzelner Codepunkt (vorkomponiert) oder als zwei — Grundbuchstabe „u" plus separater kombinierender Trema-Akzent — kodiert sein. Das scharfe „ß" wiederum hat seit 2017 sogar ein eigenes Großbuchstaben-Pendant „ẞ", das in älteren Texten und Systemen oft fehlt und stattdessen als „SS" umgesetzt wird — was die Zeichenzahl bei Großschreibung verändert.
Wozu man das braucht
- Einen Text gegen ein Zeichenlimit prüfen (ein Tweet, eine SMS, ein Formularfeld).
- Verstehen, warum ein deutscher Text bei gleichem Inhalt oft weniger Wörter, aber ähnlich viele Zeichen hat wie sein englisches Pendant.
- Eine Diskrepanz zwischen der „sichtbaren" Textlänge und dem, was ein Zeichenzähler im Code meldet, diagnostizieren.
Wortzählung in Sprachen ohne Leerzeichen
Im Chinesischen, Japanischen oder Thailändischen werden Wörter traditionell nicht durch Leerzeichen getrennt — die Wortgrenze wird durch Grammatik und Kontext bestimmt, nicht durch ein Trennzeichen. Eine „Wortzählung" für solche Sprachen erfordert daher eigentlich einen eigenen Algorithmus zur Textsegmentierung, und eine einfache Zählung nach Leerzeichen liefert dort entweder ein einziges „Wort" für den ganzen Text oder verliert jeden Sinn.