Pulitore di Testo
Rimuovi spazi extra, righe vuote, caratteri speciali e tag HTML dal testo.
Il pulitore di testo rimuove la formattazione indesiderata, gli spazi vuoti in eccesso e le impurità comuni dal testo con un solo clic. Quando copi testo da PDF, documenti Word, pagine web o email, il risultato contiene spesso interruzioni di riga extra, spazi consecutivi multipli, caratteri Unicode invisibili o entità HTML come & e .
Seleziona le operazioni di pulizia necessarie e fai clic su Pulisci. Le operazioni disponibili includono: rimozione di spazi vuoti e righe vuote extra, rifilatura degli spazi iniziali e finali, riduzione di più spazi a uno, conversione di virgolette tipografiche in virgolette dritte, rimozione di tag HTML, decodifica di entità HTML e rimozione di caratteri non stampabili.
La pulizia del testo è un primo passo comune nelle pipeline di elaborazione dati. Quando si importano dati di testo in database, modelli di machine learning o API, gli spazi vuoti inaspettati e i caratteri speciali sono una frequente fonte di errori di analisi.
Domande Frequenti
Implementazione del Codice
import re
import unicodedata
def remove_control_chars(text: str) -> str:
"""Remove non-printable control characters (keep tab, newline, carriage return)."""
return "".join(
ch for ch in text
if unicodedata.category(ch) not in ("Cc", "Cf") or ch in ("\t", "\n", "\r")
)
def normalize_line_endings(text: str, style: str = "lf") -> str:
"""Normalize line endings to LF (Unix) or CRLF (Windows)."""
text = text.replace("\r\n", "\n").replace("\r", "\n")
if style == "crlf":
text = text.replace("\n", "\r\n")
return text
def collapse_whitespace(text: str) -> str:
"""Replace multiple consecutive spaces/tabs on each line with a single space."""
return "\n".join(re.sub(r"[ \t]+", " ", line) for line in text.splitlines())
def trim_lines(text: str) -> str:
"""Strip leading and trailing whitespace from each line."""
return "\n".join(line.strip() for line in text.splitlines())
def remove_blank_lines(text: str) -> str:
"""Collapse multiple consecutive blank lines into one."""
return re.sub(r"\n{3,}", "\n\n", text)
def clean_text(text: str,
control_chars: bool = True,
normalize_endings: bool = True,
collapse_spaces: bool = True,
trim: bool = True,
blank_lines: bool = True) -> str:
"""Run all cleaning steps in sequence."""
if control_chars:
text = remove_control_chars(text)
if normalize_endings:
text = normalize_line_endings(text)
if collapse_spaces:
text = collapse_whitespace(text)
if trim:
text = trim_lines(text)
if blank_lines:
text = remove_blank_lines(text)
return text
sample = " Hello\t world! \n\n\nExtra blank lines \n\x00Null byte here "
print(repr(clean_text(sample)))
# 'Hello world!\n\nExtra blank lines\nNull byte here'Comments & Feedback
Comments are powered by Giscus. Sign in with GitHub to leave a comment.