Il trattino a fine riga non ha sempre lo stesso ruolo
Una riga che termina con un trattino può interrompere una parola per ragioni di spazio, ma può anche finire proprio dopo un segno che appartiene a un composto, a un nome o a un codice. Il confine della riga è soltanto una posizione. Per decidere se eliminare il segno devi leggere la parola e il contesto, preferibilmente confrontando la sorgente.
Una sostituzione generale del tipo “cancella trattino più a capo” sembra comoda su un PDF lungo, ma incorpora una scelta linguistica non verificata. Può essere adatta a un insieme di casi già controllati; non dimostra che ogni caso del documento sia equivalente. Prepara prima un elenco delle giunzioni candidate. Se alcune appartengono a titoli, tabelle o sigle, separale dalla prosa ordinaria. L’obiettivo è ricostruire le parole realmente presenti nel documento, non ottenere una stringa senza trattini o un numero di parole più basso.
Sillabazione visiva e caratteri della copia
Un browser può applicare regole di sillabazione alla visualizzazione del testo. La proprietà CSS hyphens regola questo comportamento e la documentazione MDN distingue le possibilità automatiche dai punti di divisione suggeriti. La resa sullo schermo non è quindi sufficiente per sapere quali caratteri riceverai in una copia testuale.
Confronta un campione dopo averlo incollato in un campo semplice. Potresti trovare la parola intera, un trattino con interruzione oppure un carattere discrezionale. Non assumere che due programmi esportino nello stesso modo una divisione che visivamente sembra identica. Se la copia proviene da OCR, considera anche un errore di riconoscimento del segno o delle lettere adiacenti. La ricomposizione dei frammenti e la correzione OCR sono operazioni diverse: una parola unita può restare sbagliata perché il riconoscimento aveva già scambiato una lettera prima dell’interruzione.
Una parola ricomposta non si riconosce dal solo totale
| Campione (notazione) | Battute | Parole | Controllo necessario |
|---|---|---|---|
| co-\nmunicazione | 14 | 2 | Divisione con trattino e LF |
| co-municazione | 14 | 1 | LF tolto, segno ancora presente |
| comu[SHY]nicazione | 14 | 2 | U+00AD presente, non tolto dal motore |
| comunicazione | 13 | 1 | Forma continua del campione |
Quattro versioni di “comunicazione”
La tabella usa una parola originale di controllo. co-, LF, municazione contiene un trattino visibile e un’interruzione. Nel motore attuale produce quattordici battute e due parole. Cancellare soltanto LF produce co-municazione: quattordici battute e una parola, perché il motore ammette un trattino interno nel token. La grafia non è però quella della parola ricomposta che volevamo ottenere.
La versione comunicazione, senza divisione né segno, contiene tredici caratteri e una parola. Il confronto dimostra un limite importante della verifica quantitativa: un totale di una parola non certifica l’ortografia. Il contatore può aiutarti a individuare uno scarto, ma devi controllare la sequenza finale. Per una parola di cui non conosci la grafia, consulta una fonte linguistica adeguata o la versione integra della sorgente, senza trasformare la tokenizzazione del motore in un giudizio lessicale.
Il soft hyphen può esserci anche quando non lo vedi
U+00AD è il soft hyphen, un carattere usato per indicare un possibile punto di sillabazione. MDN spiega che può restare invisibile finché la visualizzazione non richiede la divisione. Non è uguale al normale trattino U+002D digitato tra due parti di una stringa. Nella tabella lo rendiamo riconoscibile con l’etichetta [SHY], che non fa parte del campione misurato.
Nel comportamento attuale del nostro motore, la stringa con comu, U+00AD e nicazione conta quattordici caratteri e due parole. Il carattere non viene eliminato automaticamente durante l’analisi. Questa è una limitazione concreta da considerare quando misuri testo copiato o esportato con sillabazione discrezionale. Se la consegna riguarda la parola continua, prepara una copia in cui quel segno sia stato rimosso intenzionalmente e verifica il nuovo risultato. Non aspettarti che l’invisibilità sullo schermo equivalga ad assenza dalla stringa.
Non tutti i segni simili sono trattini di sillabazione
Un segno tra due numeri può indicare un intervallo, una sottrazione o una parte di un identificativo. Un segno dentro un nome può essere parte della grafia richiesta. Esistono inoltre caratteri Unicode con forme simili ma codici diversi. Una regola costruita soltanto sull’apparenza può cancellare il simbolo giusto nel posto sbagliato o non trovare quello che intendevi rimuovere.
Quando incontri un caso dubbio, annota il codice e mostra le lettere o i numeri vicini. La guida sui caratteri invisibili spiega perché una rappresentazione con codici è più precisa di uno screenshot. Non estendere una pulizia dei trattini a tutti i simboli di collegamento senza una ragione specifica. Per i codici, confronta sempre con un riferimento autorevole del dato; un contatore linguistico non può stabilire quale sequenza identifichi correttamente un prodotto, una voce o una versione.
Una procedura di ricomposizione controllabile
Lavora su una copia e raccogli prima le occorrenze di trattino a fine riga. Per ogni gruppo verifica se i frammenti formano la parola prevista, se il segno è stato introdotto dall’impaginazione e se esistono eccezioni. Applica una regola soltanto ai casi che condividono davvero queste condizioni. Le eccezioni vanno conservate o corrette singolarmente, non assorbite nella regola per comodità.
Tratta poi i soft hyphen come una categoria distinta: cercarli richiede il carattere o il suo codice, non la ricerca del trattino ordinario. Se il testo è destinato a una nuova impaginazione, concorda se mantenere punti discrezionali o consegnare parole continue. Non eliminare nello stesso passaggio anche tutti gli spazi e gli a capo. Separare le operazioni permette di capire quale trasformazione abbia ricostruito la parola e quale, eventualmente, abbia alterato la struttura dei paragrafi.
Le parole spezzate possono sfuggire a una ricerca
Se cerchi la parola continua in una copia che contiene trattino e a capo, potresti non trovarla. Lo stesso può accadere con un carattere discrezionale intermedio, a seconda del sistema di ricerca. Non concludere immediatamente che la parola manchi dal documento. Cerca un frammento riconoscibile e controlla la sequenza attorno al punto di interruzione.
Questo riscontro è utile anche per verificare una pulizia estesa. Scegli alcune parole ricomposte, cercale nella copia finale e confrontale con la sorgente. Controlla poi alcuni trattini che dovevano restare. Un procedimento che ricostruisce correttamente tutte le parole spezzate ma cancella i segni nei codici non è adeguato al documento nel suo insieme. Per un testo a colonne, risolvi prima l’ordine dei frammenti: non puoi ricomporre in modo affidabile la fine di una riga con l’inizio di una colonna diversa.
Il conteggio finale deve riferirsi alla copia corretta
Dopo la ricomposizione usa il conteggio parole sulla versione che intendi consegnare. Confronta parole e battute su un campione noto, come quello della tabella, e controlla le giunzioni reali del documento. Se il numero diminuisce, individua quali frammenti sono diventati parole intere; non attribuire automaticamente ogni riduzione a una correzione riuscita.
Se invece devi misurare il file ricevuto senza modificarlo, conserva quel risultato con una nota sulla presenza di divisioni e caratteri discrezionali. Sono due oggetti diversi: copia originaria e copia ricostruita. Non presentare il secondo totale come se provenisse dal file intatto. La guida su come unire le righe completa il lavoro quando, oltre alla sillabazione, devi ricostruire la continuità dei paragrafi mantenendo elenchi, citazioni e altri confini utili.
Fonti e verifiche
- MDN: hyphensSillabazione nella resa CSS e distinzione del soft hyphen U+00AD come punto discrezionale.
Controlli specifici di questa guida
- Eseguito analyze() sui quattro campioni originali, compreso U+00AD reale.
- Confermata la differenza tra co-municazione (14/1) e comunicazione (13/1), come caratteri/parole.
- Verificato nella documentazione MDN il ruolo del soft hyphen senza presentare il conteggio del sito come regola universale.