Làm sạch văn bản - Xóa ngắt dòng và khoảng trắng thừa
Làm sạch văn bản
Cách làm sạch văn bản chép từ PDF
Văn bản chép từ PDF, sách điện tử hay email cũ thường trông ổn cho đến khi bạn dán sang chỗ khác: mỗi dòng in đều có ngắt dòng, từ bị gạch nối cắt đôi, khoảng trắng kép, ký tự ẩn làm hỏng tìm kiếm và ngoặc kép cong mà mã nguồn hay bảng tính không chấp nhận. Công cụ này sửa tất cả trong một lần và cho biết mỗi bước đã sửa bao nhiêu chỗ.
Ba bước
- 1 Dán văn bản lộn xộn vào ô bên trái.
- 2 Giữ các bước mặc định hoặc bỏ chọn bước bạn không cần. Con số cạnh mỗi bước cho biết bước đó đã sửa gì.
- 3 Đọc lại văn bản đã làm sạch bên phải rồi sao chép.
Vì sao văn bản PDF bị ngắt ở mỗi dòng
PDF không lưu đoạn văn mà lưu các dòng đặt ở vị trí cố định trên trang. Khi sao chép, mỗi dòng in trở thành một dòng riêng và đoạn văn biến thành một chồng dòng ngắn. "Nối các dòng bị ngắt" ghép lại các dòng của một đoạn, còn "Giữ khoảng cách đoạn" coi dòng trống là kết thúc đoạn. Nếu PDF không có dòng trống giữa các đoạn, mọi thứ sẽ thành một khối: hãy thêm một dòng trống ở chỗ mỗi đoạn cần bắt đầu. Khi giữ khoảng cách đoạn, các dòng bắt đầu bằng dấu đầu dòng hoặc số thứ tự (-, •, 1., a)) được coi là mục danh sách và vẫn nằm trên dòng riêng.
Từ bị gạch nối ngắt đôi
Văn bản canh đều hai bên thường cắt từ dài ở cuối dòng, như "sen-" ở dòng này và "tence" ở dòng sau (trong tiếng Anh). Khi một dòng kết thúc bằng chữ cái và dấu gạch nối, còn dòng sau bắt đầu bằng chữ thường, công cụ bỏ dấu gạch và ghép thành "sentence". Bẫy cần biết: từ ghép thật sự như "well-known" mà tình cờ ngắt đúng ở dấu gạch sẽ thành "wellknown". Tiếng Việt viết tách âm tiết nên hầu như không bị ảnh hưởng.
Ký tự ẩn
Khoảng trắng không ngắt trông giống khoảng trắng thường nhưng là ký tự khác, nên tìm kiếm có thể không thấy. Khoảng trắng độ rộng 0, ký tự nối từ và BOM không chiếm chỗ nào, nhưng lại cắt rời từ, làm hỏng mật khẩu và mã nguồn, khiến hai dòng trông giống hệt nhau trở nên khác nhau. Công cụ đổi khoảng trắng không ngắt và khoảng trắng mảnh thành khoảng trắng thường, xóa ký tự độ rộng 0 và dấu gạch nối mềm. Ký tự nối độ rộng 0 (ZWJ) được giữ lại có chủ ý vì chuỗi emoji và các chữ viết như tiếng Hindi cần nó. Các dấu định hướng vô hình (trái sang phải, phải sang trái) cũng bị xóa. PDF còn hay lưu các cặp chữ như fi, fl, ffi thành một ký tự chữ ghép duy nhất (fi, fl, ffi): trông vẫn đúng nhưng tìm kiếm và kiểm tra chính tả không nhận ra từ đó, vì vậy "Tách chữ ghép" đổi chúng lại thành chữ thường.
Ngoặc cong hay ngoặc thẳng?
Trình soạn thảo và PDF biến " và ' thành ngoặc kép cong. Khi in thì đẹp hơn, nhưng mã nguồn, JSON, tệp CSV, công thức bảng tính và dòng lệnh chỉ hiểu ngoặc thẳng. Công cụ đổi ngoặc cong đơn và kép, kể cả dạng thấp „ ‚, thành ngoặc thẳng. Ngoặc nhọn « » và ký hiệu ′ ″ dùng cho feet, inch và phút được giữ nguyên vì chúng không phải dạng cong của ngoặc thẳng.