Cómo se cuentan las palabras y qué significa el porcentaje
Una palabra es lo que encuentra el segmentador de palabras del navegador para el idioma elegido (Unicode UAX #29, con diccionario para chino, japonés y tailandés). Las palabras con guion y las contracciones como don’t siguen siendo una sola palabra, y los números cuentan como palabras salvo que desmarques Contar números. Con Ignorar mayúsculas activado, El y el son una sola entrada, pasada a minúsculas con las reglas del idioma del texto. En turco, İstanbul e ISTANBUL se convierten en dos palabras distintas, istanbul e ıstanbul, porque la I mayúscula pasa a la ı sin punto.
En japonés, 東京都に住んでいます。東京は大きい。 da 東京 dos veces y 都, に, 住, んで, い, ます, は y 大きい una vez cada una; un contador que solo separa por espacios cuenta toda esa frase como una palabra. El diccionario también separa las terminaciones verbales (住んでいます se convierte en cuatro piezas), así que en una lista japonesa suelen encabezar partículas como に y は, y Dejar fuera palabras comunes las oculta. En nuestra prueba, 1.000.000 de caracteres japoneses tardaron unos 3,4 segundos y 1.012.000 caracteres en inglés 0,23 segundos, porque segmentar con diccionario es más lento.
El porcentaje es el número de apariciones de un término dividido entre todos los términos contados con la configuración actual. Por eso, al dejar fuera las palabras comunes sube el porcentaje de las demás, y el de una frase se mide frente a todas las frases de la misma longitud. No damos una densidad de palabras clave objetivo: los buscadores no han publicado ninguna, y un porcentaje dice cuánto se repite un texto, no cómo se posicionará. Las frases solo se cuentan dentro de una oración, así que la última palabra de una oración y la primera de la siguiente nunca forman una frase. Con las palabras comunes fuera, una frase no puede empezar ni terminar con una: «zorro rápido» cuenta, «el zorro» no.
Las palabras duplicadas son la misma palabra dos veces seguidas con solo espacios o un salto de línea entre ellas, un error fácil de pasar por alto cuando una línea termina con de y la siguiente empieza con de. Los números se omiten, porque 1 1 suele ser intencionado. Algunas repeticiones son correctas (muy muy, casi casi), así que la página muestra cada una con su número de línea antes de que elijas Corregir palabras duplicadas. El resultado de texto también puede ser cada palabra una sola vez, en el orden de su primer uso, que es lo que casi todo el mundo entiende por eliminar palabras repetidas.