🛠️ToolsShed

Limpador de Texto

Remova espaços extras, linhas vazias, caracteres especiais e tags HTML do texto.

O Limpador de Texto remove formatação indesejada, espaço em branco extra e lixo comum do texto com um único clique. Ao copiar texto de PDFs, documentos Word, páginas da web ou e-mails, o resultado frequentemente contém quebras de linha extras, múltiplos espaços consecutivos, caracteres Unicode invisíveis ou entidades HTML como & e  .

Selecione as operações de limpeza necessárias e clique em Limpar. As operações disponíveis incluem: remover espaços em branco extras e linhas em branco, aparar espaços iniciais e finais, colapsar múltiplos espaços em um, converter aspas tipográficas em aspas retas, remover tags HTML, decodificar entidades HTML e remover caracteres não imprimíveis.

A limpeza de texto é um primeiro passo comum em pipelines de processamento de dados. Ao importar dados de texto para bancos de dados, modelos de aprendizado de máquina ou APIs, espaço em branco inesperado e caracteres especiais são uma fonte frequente de erros de análise.

Perguntas Frequentes

Implementação de Código

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.