Un algoritmo es una serie de pasos para resolver un problema. Es como una receta de cocina: necesitas los ingredientes y los pasos para obtener un plato sabroso. En este caso, el ingrediente es el texto que quieres analizar. Los pasos que da mi analizador de legibilidad de texto para averiguar si es fácil de leer son los siguientes:
2. Detecta texto
La herramienta solo funciona si se introduce texto plano o ficheros marcados XML o HTML. No es compatible con archivos binarios como .pdf o .doc de Word. Pueden pasar dos cosas:
- No es texto o XML o HTML: devuelve un error y para el proceso
- Sí lo es: pasa al siguiente paso
3. Limpia el texto
El programa borra todas las etiquetas XML y HTML (si las tiene), porque no hay que analizarlas. Sobran. Solo cuenta el texto.
Si se trata de una web o código HTML, intenta eliminar lo más irrelevante (publicidad, menús, encabezado, pie de página, aviso de cookies). Para eso usa Python Readability, que suele funcionar muy bien.
También elimina todo código malicioso que pudiera insertarse para piratearme la web. Todos los días lo intentan varias veces y, al final, lo conseguirán con su perseverancia.
4. Cuenta los caracteres
Si hay menos de dos caracteres, da un mensaje de error porque no tiene sentido analizar un texto de un solo carácter o de ninguno. Si no, pasa al siguiente paso.