Jak používat

Vložte text do vstupního pole.
Zaškrtněte kroky čištění, které chcete. Nejčastější jsou již zapnuté.
Zkontrolujte výsledek ve výstupním poli. Aktualizuje se při každé změně možnosti.
Zkopírujte vyčištěný text nebo jej použijte jako nový vstup pro další čištění.

Jak to funguje

Kroky se vždy provádějí ve stejném pořadí: odstranit HTML, odstranit neviditelné znaky, narovnat uvozovky, nahradit tabulátory, odstranit nadbytečné mezery, oříznout řádky, sbalit prázdné řádky a nakonec odstranit zalomení řádků. Nejprve se konce řádků Windows a starého Macu převedou na standardní znaky LF.

„Odstranit HTML značky“ pracuje pouze s textem: HTML se nikdy nevykresluje ani nespouští. Smaže komentáře a obsah prvků script, style, template a noscript, převede <br> a konce odstavců, položek seznamu, nadpisů a řádků tabulek na zalomení řádků, odstraní všechny ostatní značky a poté dekóduje číselné entity a běžné pojmenované entity (&, <, >, ",  , — a další). Znak menší než, po němž přímo následuje písmeno, jako ve výrazu „a<b“, vypadá jako značka a může být odstraněn i s tím, co za ním následuje, až do dalšího „>“.

„Odstranit neviditelné znaky“ smaže mezery nulové šířky (U+200B), spojky slov, značky pořadí bajtů (U+FEFF), měkké spojovníky, značky směru zleva doprava a zprava doleva a vložení směru a řídicí znaky kromě tabulátoru a posunu o řádek. Tyto znaky se často dostanou do textu zkopírovaného z webů, chatů a PDF a mohou rozbít vyhledávání, kód a vzorce v tabulkovém procesoru. Spojka nulové šířky a oddělovač nulové šířky zůstávají zachovány, protože je potřebují emoji rodin a profesí a některá písma, jako je perština a hindština.

„Odstranit nadbytečné mezery“ změní každou skupinu mezer, tabulátorů a nedělitelných mezer na jednu běžnou mezeru, ale ponechá zalomení řádků beze změny. „Odstranit zalomení řádků“ spojí všechny řádky do jednoho odstavce, čímž opraví text zkopírovaný z PDF, kde každý řádek končí pevným zalomením; pokud je zapnuta volba „Zachovat zalomení odstavců“, prázdné řádky stále oddělují odstavce. Slova rozdělená spojovníkem na konci řádku se znovu nespojují. Guillemety (« ») a znaky prime se možností narovnání uvozovek nemění.

Příklady

Text zkopírovaný z PDF

Odstavec z PDF dorazí se zalomením řádku po každých 70 znacích. „Odstranit zalomení řádků“ se zapnutou volbou „Zachovat zalomení odstavců“ ho vrátí do podoby plynulých odstavců, které můžete vložit do dokumentu.

Hodnota, která se neshoduje

Kód produktu zkopírovaný z webu selže při vyhledávání v tabulkovém procesoru, protože obsahuje mezeru nulové šířky. „Odstranit neviditelné znaky“ ji odstraní a vyhledávání začne fungovat.

Čistý text z HTML

Se zapnutou volbou „Odstranit HTML značky“ se „<p>Price: 10 €</p><script>track()</script>“ změní na „Price: 10 €“: skript se odstraní i se svým obsahem, entity se dekódují a nedělitelná mezera se změní na běžnou mezeru.

Časté dotazy

Je bezpečné vložit HTML z neznámého webu?

Ano. HTML se zpracovává jako prostý text pomocí porovnávání vzorů a zobrazí se v textovém poli. Nikdy se nevkládá do stránky, takže skripty v něm nemohou běžet.

Co jsou znaky nulové šířky a proč je odstraňovat?

Jsou to znaky bez viditelné šířky, jako je mezera nulové šířky a značka pořadí bajtů (byte order mark). Na obrazovce nejsou vidět, ale dva stejně vypadající texty se liší, což rozbíjí vyhledávání, kontrolu duplicit a kód.

Proč se některé spojovače emoji ponechávají?

Emoji, jako je 👨‍👩‍👧, jsou tvořeny několika emoji spojenými znakem zero-width joiner, a perština a některá indická písma používají zero-width non-joiner k tvarování slov. Jejich odstranění by změnilo vzhled textu, proto se ponechávají.

Opraví slova rozdělená spojovníkem na konci řádku?

Ne. Spojovník na konci řádku může být součástí slova (jako v „well-known“), nebo pouze označovat rozdělení slova, a nástroj nedokáže rozlišit, o který případ jde, takže spojovníky zůstávají beze změny.

Soukromí

Čištění probíhá pouze ve vašem prohlížeči. Text se nenahrává, neukládá ani nezahrnuje do analýz.