हिंदी लेखन में शब्द और अक्षर कैसे गिने जाते हैं

“10 अक्षर” की इजाज़त वाले फ़ॉर्म में नमस्ते टाइप कीजिए और आपने 3 नहीं, 6 अक्षर ख़र्च कर दिए, जबकि स्क्रीन पर तीन ही दिखते हैं। अंग्रेज़ी के लिए बने टूल में हिंदी का पैराग्राफ़ चिपकाइए और शब्दों की गिनती भी ग़लत आ सकती है। न फ़ॉर्म ख़राब है, न टूल; वे अलग-अलग चीज़ें गिन रहे हैं। यह गाइड बताती है कि कंप्यूटर हिंदी के अक्षर तीन तरह से गिन सकता है, कौन-सी स्थिति में कौन-सी गिनती चलती है, और देवनागरी में शब्द और वाक्य कैसे गिने जाते हैं। हर अंक उसी फ़ंक्शन से आया है जो हमारा शब्द और अक्षर काउंटर चलाता है, जो हिंदी और दूसरी भारतीय लिपियों के लिए बना है।

हिंदी अंग्रेज़ी से अलग क्यों है

अंग्रेज़ी का एक अक्षर हर स्तर पर एक इकाई है: एक कुंजी, एक कोड, एक दिखने वाला आकार। देवनागरी अबुगिदा है: व्यंजन में अंतर्निहित स्वर होता है, बाक़ी स्वर मात्राओं के रूप में उसके ऊपर, नीचे, पहले या बाद में लगते हैं, विराम/हलंत (्) स्वर हटाकर व्यंजनों को संयुक्ताक्षर में जोड़ता है, और अनुस्वार (ं), चंद्रबिंदु (ँ), विसर्ग (ः) और नुक़्ता (़) जैसे चिह्न अक्षर को और बदलते हैं। स्ते जैसी एक दिखने वाली इकाई कई कोड से बनती है: स + ् + त + े।

इसलिए “कितने अक्षर?” के तीन ईमानदार जवाब हैं।

तीन गिनतियाँ

1. Grapheme cluster: जो पाठक देखता है। एक cluster = एक दिखने वाली अक्षर-इकाई: व्यंजन अपनी सारी मात्राओं और चिह्नों के साथ, या पूरा संयुक्ताक्षर। हमारा काउंटर इसे अक्षर कहता है। नमस्ते = न, म, स्ते = 3।
2. Code point: जो Unicode रखता है। हर व्यंजन, मात्रा, हलंत और चिह्न अपना code point है। नमस्ते = न म स ् त े = 6।
3. UTF-16 code unit: जो ज़्यादातर फ़ॉर्म और डेटाबेस गिनते हैं। देवनागरी में हर code point एक code unit है, तो यह code point की गिनती के बराबर है: नमस्ते = 6। हमारा काउंटर इसे code units दिखाता है, क्योंकि maxlength की सीमा, SMS काउंटर और ज़्यादातर “बचे हुए अक्षर” वाले डिब्बे यही अंक गिनते हैं।

तालिका ऊपर से नीचे पढ़िए। क्षत्रिय तीन दिखने वाली इकाइयाँ (क्ष, त्रि, य) पर आठ code units। स्वतंत्रता चार इकाइयाँ पर दस। ToolJagat में दोनों गिनतियाँ बराबर हैं; इसीलिए सिर्फ़-अंग्रेज़ी वाले टूलों को यह फ़र्क़ कभी करना ही नहीं पड़ा।

मात्राएँ, संयुक्ताक्षर और चिह्न, एक-एक करके

• मात्राएँ (ा ि ी ु ू े ै ो ौ) आँख के लिए कभी अलग अक्षर नहीं गिनतीं; वे पहले वाले व्यंजन से जुड़ती हैं। हिंदी = हिं + दी = 2 अक्षर, 5 code units।
• अनुस्वार और चंद्रबिंदु (ं ँ) जिस अक्षर पर बैठते हैं उसी से जुड़ते हैं। हिंदी (अनुस्वार से) और हिन्दी (आधे न के संयुक्ताक्षर से) दोनों 2 अक्षर हैं, पर code units क्रमशः 5 और 6। दोनों वर्तनियाँ सही हिंदी हैं; बस अलग तरह से संग्रहीत होती हैं।
• हलंत वाले संयुक्ताक्षर: हलंत व्यंजनों को एक cluster में चिपका देता है। ज्ञान = ज्ञा + न = 2 अक्षर; श्री = 1 अक्षर और 4 code units।
• नुक़्ता (़, ड़ ढ़ क़ ख़ ग़ ज़ फ़ के नीचे की बिंदी) जोड़ने वाला चिह्न है और cluster के भीतर रहता है: पढ़ाई = 3 अक्षर। कुछ कीबोर्ड पहले से जुड़ा अक्षर (एक code point) देते हैं और कुछ मूल अक्षर जमा नुक़्ता (दो); दिखने वाली गिनती वही, code-unit की गिनती हर नुक़्ते पर एक अलग।
• पूर्ण विराम / डंडा (।) और दोहरा डंडा (॥) विराम-चिह्न हैं: ये एक अक्षर गिने जाते हैं और full stop की तरह वाक्य ख़त्म करते हैं।

गिनतियाँ कहाँ से आती हैं, इस पर एक बात: हमारा काउंटर ब्राउज़र के अपने Intl.Segmenter का इस्तेमाल करता है, जो Unicode के text-segmentation नियमों (UAX #29) पर चलता है। हाल के Unicode संस्करण हलंत से जुड़े संयुक्ताक्षर को एक cluster मानते हैं; पुराने ब्राउज़र और डिवाइस संयुक्ताक्षर को दो cluster में तोड़ सकते हैं, इसलिए संयुक्ताक्षर-भरे पाठ में “अक्षर” का अंक डिवाइस के हिसाब से थोड़ा अलग हो सकता है। code-unit की गिनती कभी नहीं बदलती।

शब्द कैसे गिने जाते हैं

शब्द = सीमाओं (रिक्त स्थान, विराम-चिह्न, पंक्ति-विच्छेद) के बीच अक्षरों और अंकों का सिलसिला, उन्हीं Unicode नियमों से। कुछ नतीजे:

• वाक्य भारत की राजधानी नई दिल्ली है। में 6 शब्द हैं, रिक्त स्थान सहित 19 अक्षर और उनके बिना 14।
• विराम-चिह्न शब्द नहीं: डंडा नहीं गिना जाता, न अल्पविराम या प्रश्नचिह्न।
• योजक (-) या / से जुड़ी जोड़ी नियमों के हिसाब से दो शब्द गिनी जा सकती है; 1,400 जैसी संख्या एक गिनी जाती है। पंक्ति दिल्ली से मुंबई 1,400 km है में 6 शब्द हैं।
• अंकों में लिखी संख्याएँ शब्द गिनी जाती हैं; शब्दों में लिखी संख्याएँ उतने शब्द जितने उनमें हैं।

वाक्य, पैराग्राफ़ और पढ़ने का समय

वाक्य full stop, प्रश्नचिह्न, विस्मयादिबोधक, डंडे या दोहरे डंडे के बाद रिक्त स्थान या पंक्ति-अंत पर ख़त्म होता है: मैं रोज़ सुबह दौड़ता हूँ। क्या आप भी? में 2 वाक्य, 8 शब्द। पैराग्राफ़ ख़ाली पंक्ति से अलग होते हैं। पढ़ने का समय शब्दों को 200 शब्द प्रति मिनट से और बोलने का 130 से भाग देता है, जो योजना के आम अंक हैं; सहज गति से पढ़ी हिंदी ज़्यादातर वक्ताओं के लिए इसी दायरे में है, पर अपने श्रोता के हिसाब से बदलिए।

कौन-सी गिनती कब मायने रखती है

• फ़ॉर्म के खाने, username, SMS, password, tweet-लंबाई की सीमा: code units। “100 अक्षर” का डिब्बा अंग्रेज़ी से कम दिखने वाले हिंदी अक्षर रखता है, मात्राओं और संयुक्ताक्षरों के हिसाब से अक्सर 60 से 70।
• टाइपिंग स्पीड टेस्ट और प्रतिलेखन: आम तौर पर दिखने वाले अक्षर, कभी-कभी कुंजी-दबाव (जो code units के क़रीब हैं)। अभ्यास से पहले देखिए कि टेस्ट कौन-सी लेता है।
• प्रतियोगी परीक्षाओं में निबंध की सीमा: शब्द। ऊपर के शब्द-नियम से गिनिए और याद रखिए कि परीक्षक दिखने वाले शब्द गिनता है, अक्षर नहीं।
• अनुवाद और कंटेंट की क़ीमत: ज़्यादातर एजेंसियों में शब्द, छोटी strings में कभी-कभी अक्षर। इकाई लिखकर तय कीजिए; ज़्यादातर गद्य में हिंदी पाठ अपने अंग्रेज़ी स्रोत से शब्दों में 10 से 20 प्रतिशत लंबा चलता है।
• डेटाबेस कॉलम और छपाई: संग्रह के लिए code units, layout की चौड़ाई के लिए grapheme cluster; VARCHAR(50) कॉलम में लगभग 25 से 30 हिंदी अक्षर आते हैं।

आम ग़लतियाँ

• हिंदी के लिए अंग्रेज़ी word counter पर भरोसा। सिर्फ़ रिक्त स्थान पर तोड़ने वाले टूल डंडे और विराम-चिह्नों के पास ग़लत गिनते हैं, और bytes गिनने वाले तीन गुना बड़े अंक देते हैं (UTF-8 में हर देवनागरी code point तीन bytes है)।
• यह मानना कि फ़ॉर्म में एक दिखने वाला अक्षर = एक अक्षर। वह आम तौर पर दो या तीन code units है; सीमा तंग हो तो इसका हिसाब रखिए।
• दो वर्तनियों की गिनती मिलाना। हिंदी और हिन्दी एक जैसे दिखते-पढ़ते हैं पर अलग संग्रहीत होते हैं; code units मिलाने वाली खोज या duplicate-जाँच उन्हें अलग शब्द मानती है।
• हर डिवाइस पर एक जैसी अक्षर-गिनती की उम्मीद। संयुक्ताक्षर-भरे पाठ में grapheme की गिनती ब्राउज़र से बदल सकती है; code-unit की गिनती स्थिर है, तो सीमाओं के लिए वही बताइए।

अक्सर पूछे जाने वाले सवाल

नमस्ते में कितने अक्षर हैं? 3 दिखने वाले अक्षर (grapheme cluster), 6 code units। अक्षर-सीमा वाला फ़ॉर्म दूसरा अंक गिनता है।

क्या मात्राएँ अक्षर गिनी जाती हैं? पाठक के लिए नहीं, और हमारे “अक्षर” वाले अंक में नहीं: मात्रा पहले वाले व्यंजन से जुड़ जाती है। code units में गिनी जाती हैं, जो फ़ॉर्म की सीमाएँ इस्तेमाल करती हैं।

मुझे कम अक्षर दिख रहे हैं फिर भी फ़ॉर्म सीमा पार क्यों बताता है? क्योंकि फ़ॉर्म code units गिनता है। हर मात्रा, हलंत और चिह्न एक इकाई है, भले ही वह अलग दिखने वाला अक्षर न हो।

क्या डंडा शब्द गिना जाता है? नहीं। वह विराम-चिह्न है: अक्षर के रूप में गिना जाता है, वाक्य ख़त्म करता है, शब्द कभी नहीं।

मेरे फ़ोन और लैपटॉप पर अक्षरों की गिनती अलग क्यों है? दोनों डिवाइस के Unicode संस्करण संयुक्ताक्षरों को अलग तरह से तोड़-जोड़ सकते हैं। code-unit की गिनती हर जगह एक जैसी है।