Ferramenta de Frequência de Palavras

1. 1

   Adicione o seu texto

   Cole-o na caixa ou solte um arquivo .txt, .md, .csv, .tsv, .log, .json, .srt ou .vtt. Textos curtos são contados enquanto escreve; documentos longos e arquivos são contados quando carrega em Analisar. Nada é enviado.

2. 2

   Escolha palavras ou expressões

   Uma palavra dá a lista de frequências clássica. Duas, três ou quatro palavras dão a frequência de expressões — a vista que mostra a redação repetida, não apenas o vocabulário repetido.

3. 3

   Ajuste os filtros

   Desligue as palavras vazias para ver a lista em bruto, ou deixe-as ligadas para trazer as palavras com conteúdo ao topo. Aumente o tamanho mínimo para descartar tokens curtos, aumente as ocorrências mínimas para esconder o que aparece uma só vez, e pesquise dentro dos resultados para isolar um termo.

4. 4

   Leia a coluna da densidade

   A densidade é a parte que esse termo representa em tudo o que foi contado. Nas expressões o denominador é o número de posições de expressão, não o de palavras, por isso uma densidade de duas palavras é comparável com outra densidade de duas palavras.

5. 5

   Exporte

   Baixe CSV para uma planilha, JSON quando quiser que as configurações fiquem registradas junto às contagens, ou texto simples para colar em outro lugar. A exportação contém todas as linhas que os seus filtros admitem, não apenas as visíveis.

Uma tabela de frequências vale o que vale a sua definição de palavra, por isso esta está escrita em vez de ficar escondida numa expressão regular que ninguém lê. Uma palavra é uma sequência de letras, dígitos e marcas combinantes. Um apóstrofo ou um hífen une duas sequências numa única palavra quando é seguido por um caractere de palavra, por isso don't, it’s, bem-conhecido e ponta-de-lança são cada um uma entrada única, enquanto dogs' deixa o apóstrofo fora da contagem e fim--início continua sendo duas palavras.

As regras, na íntegra

• Letras e marcas viajam juntas. As matras devanágari, as harakat árabes, os niqqud hebraicos e os acentos latinos decompostos fazem parte da palavra a que se ligam, não são separadores. Um contador que os trate como pontuação reporta हिन्दी como três fragmentos.
• Os números são opcionais. Desligue-os e 2026, 1.200 e v1.2 deixam de gerar entradas, que é o que quer num manuscrito e não é o que quer num arquivo de registro.
• As maiúsculas são opcionais. Desligadas por padrão, por isso O e o são uma só palavra. Ligue-as e os contadores acima da tabela mudam com elas: palavras únicas e diversidade são recalculadas, não ficam mostrando a resposta anterior.
• Nada é radicalizado. correr, corre e correndo são três entradas. Radicalizar depende do idioma e erra com frequência suficiente em nomes e termos técnicos para que um palpite silencioso seja pior do que uma separação honesta.
• As frases terminam num sinal seguido de espaço. Um ponto entre dígitos ou dentro de um domínio não termina uma frase, por isso 3.14 e example.com ficam inteiros — o que importa porque as expressões nunca atravessam um fim de frase.

A frequência de palavras isoladas encontra vocabulário repetido. A frequência de expressões encontra escrita repetida, que costuma ser o que realmente queria saber. Ponha o comprimento da expressão em dois e uma página que diz melhore o seu fluxo de trabalho onze vezes deixa de se esconder atrás de onze contagens de aspecto inofensivo de melhore, seu e fluxo.

Duas regras que tornam honesta a tabela de expressões

• Uma expressão nunca atravessa um fim de frase nem uma quebra de linha. «…termine o relatório. O passo seguinte…» não pode produzir relatório o, porque ninguém o escreveu. Todos os contadores de expressões online analisados durante esta reconstrução deslizam a sua janela por todo o documento e produzem, de fato, expressões dessas: são ruído no topo da tabela, e quanto mais curtas as frases, mais ruído há.
• Com as palavras vazias ligadas, uma expressão só é removida quando começa ou termina por uma. As interiores mantêm-se, por isso ponto de vista, regra de três e pé de meia ficam na tabela enquanto de a e num a saem dela. Uma regra que descartasse qualquer expressão contendo uma palavra vazia apagaria as três.

Cada linha traz uma densidade: a parte que esse termo representa em tudo o que foi contado, em porcentagem. Para palavras isoladas o denominador é a contagem de palavras. Para expressões é o número de posições de expressão, um número menor, por isso uma densidade de duas palavras é comparável com outra de duas palavras e não com uma de palavra isolada. A ferramenta faz a contabilidade; a interpretação é a parte que vale a pena cuidar.

Lê-la sem se enganar

• Não existe uma densidade correta. Nenhum motor de busca publica um alvo e nenhum limiar separa a boa escrita da má. Um número só significa algo ao lado de uma comparação: a mesma página antes de uma edição, ou uma página que já posiciona para a mesma pesquisa.
• Uma palavra isolada acima de cerca de 4–5 % em prosa normal costuma indicar uma repetição que o leitor vai notar, não uma otimização. Leia as frases antes de mudar seja o que for: normalmente o que corrige é reescrever um parágrafo, não apagar ocorrências.
• Documentos longos diluem tudo. Um termo a 0,4 % numa página de 5.000 palavras pode ser muito mais saliente do que um a 2 % numa de 200, porque a saliência depende tanto da colocação como da proporção.
• Compare o comparável. Ligue as palavras vazias antes de comparar dois documentos, ou a comparação mede sobretudo qual deles usou mais artigos.

As palavras vazias são as que um idioma não dispensa e uma tabela de frequências não aproveita: artigos, pronomes, auxiliares, cópulas, preposições e conjunções frequentes. Estão no topo de qualquer lista não filtrada em qualquer idioma, e é por isso que o filtro vem ligado.

Aqui as listas cobrem a classe fechada de verdade em vez de a amostrarem — 226 entradas em inglês, 172 em alemão, 154 em espanhol, 151 em francês, 141 em português e 118 em indonésio — e cada contração aparece nas duas formas de apóstrofo, porque todos os processadores de texto produzem o apóstrofo tipográfico e uma lista só com o ASCII falharia em silêncio com qualquer texto colado de um deles. As palavras com conteúdo nunca estão numa lista, por muito frequentes que sejam: tempo, pessoas e trabalho significam alguma coisa e pertencem à sua tabela.

Desligue-as quando

• Estudar o estilo e não o assunto. As taxas de palavras funcionais são a base de quase todo o trabalho de atribuição de autoria e de legibilidade, e filtrá-las elimina o sinal.
• O texto não for prosa — código, registros, colunas de CSV, arquivos de legendas. Uma lista pensada para um idioma não faz nada de útil a uma coluna de identificadores.
• Trabalhar num idioma que o seletor não cobre. Escolha Nenhuma em vez de filtrar com a lista de outro idioma, que remove um punhado de palavras sem relação e parece ter funcionado.

Porque a repetição é invisível de dentro. Quem escreve já leu cada frase uma dúzia de vezes e deixou de ouvir a palavra que usou em todas as páginas; quem revisa uma página de destino não sabe se uma expressão se lê como ênfase ou como enchimento. Uma tabela de frequências é a opinião externa mais barata que existe.

Para que é bom

• Detectar um tique. Todo mundo tem um. Ordene por frequência com as palavras vazias ligadas e costuma estar nas dez primeiras linhas.
• Comparar versões. Exporte uma tabela por revisão e compare-as numa planilha: o que subiu, o que desceu e o que desapareceu de vez.
• Esboçar o equilíbrio de keywords. Não é um rastreador de posições nem o substitui, mas responde se uma página trata daquilo que julga que trata.
• Ler um corpus alheio. Páginas da concorrência, respostas de inquéritos, tickets de apoio, transcrições. Os quarenta termos principais são um resumo que não teve de ler.
• Ensinar. A tabela torna visíveis a tokenização, a lei de Zipf e a razão tipo-ocorrência em cerca de dez segundos, sobre o texto da própria turma.

Acima dos resultados há seis contadores e cada um responde a uma pergunta diferente. Todos saem da mesma passagem que a tabela, por isso não a podem contradizer — nem sequer com as maiúsculas ligadas, onde a ferramenta anterior continuava dando a resposta sem distinguir maiúsculas.

• Palavras. Todos os tokens contados, sem filtros aplicados. O tamanho daquilo que está vendo.
• Únicas. Entradas distintas, respeitando a configuração de maiúsculas. Com o número anterior, isto é o vocabulário.
• Frases. Limites encontrados pela mesma regra que a contagem de expressões usa, por isso os dois não podem divergir.
• Aparecem uma vez. A contagem de hápax. Uma proporção alta indica vocabulário variado ou muitos nomes próprios; uma baixa, um documento que se repete.
• Diversidade. Únicas a dividir pelo total, a razão tipo-ocorrência. Útil entre textos de extensão parecida e enganadora entre textos muito diferentes, porque desce à medida que o documento cresce.
• Filtradas. Ocorrências que os seus filtros atuais removeram, pesquisa incluída. É a diferença entre o que foi contado e o que está vendo, e mexe-se quando qualquer filtro se mexe.

Em passagens de edição, trabalho ligeiro de SEO, resumos de investigação, demonstrações em aula, e sempre que tiver um documento e nenhuma ideia do que está lá dentro.

• Antes de uma edição. Localize primeiro as palavras e expressões repetidas e depois edite com uma lista à frente em vez de a olho.
• Depois de uma reescrita. Exporte antes e depois; a diferença diz se a reescrita mudou o vocabulário ou apenas as frases.
• Numa página da concorrência. Cole o texto e leia as expressões de quatro palavras. É a forma mais rápida de ver a estrutura que outra pessoa escolheu.
• Em transcrições e legendas. Solte o .srt ou o .vtt diretamente. As marcas temporais e os números de linha são contados como aquilo que são — números — e desligar os números remove-os num clique.
• Em registros. Os termos principais de um .log são as suas mensagens recorrentes, uma triagem grosseira que pode fazer antes de abrir um visualizador de registros.

Quatro hábitos que marcam a diferença entre uma tabela e uma resposta.

• Veja a vista de expressões antes da de palavras. As palavras isoladas têm mais ruído e a repetição interessante costuma ter duas ou três palavras.
• Ponha as ocorrências mínimas em dois antes de tirar qualquer conclusão. Tudo o que aparece uma só vez é vocabulário, não padrão, e num documento longo é a maior parte da tabela.
• Salve o texto original. Os filtros mudam o que vê, nunca o que tem, mas é fácil podar de mais um documento editado enquanto se olha para uma tabela filtrada.
• Exporte em JSON se pensa comparar mais tarde. Registra as configurações e os totais com as linhas, e duas tabelas feitas com configurações diferentes não são comparáveis por mais parecidas que sejam.

Um documento de 10 MB é contado em cerca de um décimo de segundo e um de 25 MB em cerca de um quarto, expressões incluídas, num notebook intermediário — fora da linha de execução da interface, por isso escrever nunca fica aos solavancos enquanto trabalha.

Tudo roda no seu dispositivo, por isso o teto é o seu dispositivo e não um envio: 25 MB por documento no plano gratuito, e mais no Pro, limitado pela memória disponível no seu dispositivo. Os arquivos são lidos como texto: .txt, .md, .csv, .tsv, .log, .json, .srt e .vtt. Os formatos que são na verdade contêineres são recusados no momento em que os escolhe, com um link para a ferramenta que extrai o seu texto, porque um .docx lido como texto produz uma tabela de fragmentos de marcação que se parece exatamente com uma resposta verdadeira.

O que não faz

• Nada de radicalização nem lematização. As formas são contadas tal como estão escritas.
• Nada de segmentação de palavras para chinês, japonês ou tailandês. A tabela é honesta sobre o que mediu, mas sequências de caracteres não são palavras nessas escritas.
• Nada de etiquetagem gramatical, por isso uma lista de palavras vazias não distingue o que pronome do que conjunção.
• Nada de agrupamento semântico. Os sinônimos são entradas separadas, porque decidir que duas palavras significam o mesmo é um juízo, não uma contagem.

• Contador de palavras
• Analisador de texto
• Extrator de palavras-chave
• Verificador de legibilidade
• Estatísticas de texto
• Remover linhas duplicadas
• Ordenar linhas
• Dividir texto
• Remover espaços
• Mudar maiúsculas
• Juntar textos
• Word para texto
• Imagem para texto
• Voz para texto