Trình làm sạch và định dạng văn bản thô (Text Cleaner)

Trình làm sạch và định dạng văn bản thô Text Cleaner là gì?

Text Cleaner là công cụ làm sạch văn bản thuần bằng các quy tắc tìm và thay thế ký tự. Công cụ nhận nội dung bạn nhập hoặc dán vào, áp dụng những tùy chọn đang bật rồi trả về một chuỗi văn bản đã xử lý. Nhu cầu chính là dọn các lỗi hình thức thường gặp khi sao chép: nhiều dấu cách liên tiếp, dòng trống dư, khoảng cách quanh dấu câu chưa thống nhất hoặc chữ đầu câu chưa viết hoa.

Theo mã được cung cấp, công cụ có thể thu gọn khoảng trắng, xử lý ngắt dòng, điều chỉnh khoảng cách quanh sáu loại dấu câu và viết hoa tại những vị trí được nhận diện. Ngoài ra, người dùng có thể chọn loại bỏ một số dạng URL và email. Đây là các thao tác trên ký tự, không phải quá trình đọc hiểu hay đánh giá ý nghĩa đoạn văn.

Vì vậy, “định dạng” ở đây không có nghĩa là tạo chữ đậm, đổi phông hoặc thiết kế tài liệu. Công cụ cũng không viết lại bằng AI, sửa ngữ pháp hay bổ sung dấu câu còn thiếu theo ngữ cảnh.

Văn bản gốc và kết quả nằm ở hai ô riêng, thuận tiện để đối chiếu trước khi sử dụng. Tuy nhiên, đầu ra gọn hơn chưa chắc phù hợp hơn với mọi nội dung: thơ, mã nguồn, địa chỉ mạng và bảng căn bằng khoảng trắng cần được kiểm tra riêng.

Các thuật ngữ cần hiểu khi làm sạch văn bản

Văn bản thuần

Văn bản thuần là nội dung được biểu diễn bằng ký tự, không mang các thuộc tính trình bày như đậm, nghiêng, màu chữ hay kích thước chữ. Text Cleaner nhận và trả loại nội dung này. Chữ trong ô kết quả có thể được giao diện hiển thị bằng một kiểu phông nhất định, nhưng kiểu hiển thị đó không trở thành định dạng của nội dung khi sao chép. Nếu nhập thẻ HTML, chúng là ký tự trong chuỗi, không phải yêu cầu dựng một trang HTML.

Khoảng trắng

Khoảng trắng là cách gọi chung cho những ký tự tạo khoảng cách, chẳng hạn dấu cách, tab và ký tự xuống dòng. Điểm dễ nhầm là các quy tắc không xử lý mọi loại khoảng trắng giống nhau. Tùy chọn thu gọn khoảng trắng chỉ thay cụm từ hai dấu cách hoặc tab trở lên bằng một dấu cách. Trong khi đó, bước cắt hai đầu và bước xóa khoảng trắng trước dấu câu có phạm vi rộng hơn. Một tab đơn lẻ giữa hai từ vì thế có thể vẫn còn.

Ngắt dòng và dòng trống

Ngắt dòng là ký tự chuyển nội dung sang dòng mới; dòng trống là dòng không có nội dung nhìn thấy, có thể vẫn chứa dấu cách hoặc tab. Chúng khác với việc chữ tự xuống hàng vì ô hiển thị hẹp: xuống hàng như vậy chưa chắc có ký tự ngắt dòng. Trong Text Cleaner, gộp dòng biến các cụm ký tự xuống dòng thành dấu cách, còn xóa dòng trống dùng quy tắc riêng. Chọn nhầm có thể làm mất ranh giới giữa các đoạn.

Chuẩn hóa dấu câu

Chuẩn hóa dấu câu trong công cụ này là điều chỉnh khoảng trắng quanh dấu chấm, phẩy, chấm than, chấm hỏi, hai chấm và chấm phẩy. Nó không xác định một câu có dùng dấu đúng ngữ pháp hay không. Ví dụ, dấu phẩy dính chữ có thể được thêm dấu cách, nhưng dấu phẩy thiếu trong câu không tự xuất hiện. Ngoại lệ khi ký tự tiếp theo là chữ số cũng chỉ là quy tắc ký tự, không phải nhận diện ý nghĩa số liệu.

Biểu thức chính quy

Biểu thức chính quy là cách mô tả mẫu ký tự để tìm và thay thế trong một chuỗi. Đây là kiến thức nền giúp giải thích vì sao công cụ xử lý nhanh những trường hợp đúng mẫu nhưng có thể bỏ sót trường hợp khác. Chẳng hạn, mẫu nhận diện một địa chỉ email không đồng nghĩa với hiểu hoặc kiểm tra đầy đủ mọi email hợp lệ. Các quy tắc này không có khả năng suy luận ngữ cảnh như người biên tập đọc toàn bộ đoạn văn.

Đầu vào, tùy chọn và kết quả nhận được

Dữ liệu có thể nhập và điều kiện hợp lệ

Đầu vào là chuỗi văn bản nhập hoặc dán vào ô gốc, không có đơn vị đo. Nội dung phải chứa ít nhất một ký tự không phải khoảng trắng. Nếu ô rỗng hoặc chỉ gồm khoảng trắng, công cụ yêu cầu nhập văn bản và không cập nhật kết quả đang có.

Mã được cung cấp không khai báo giới hạn số ký tự, nhưng điều đó không chứng minh khả năng xử lý văn bản dài tùy ý. Không có chức năng nhập tệp hoặc xuất tệp được triển khai trong phần mã này.

Sáu tùy chọn và trạng thái mặc định

Ý nghĩa của ô kết quả

Kết quả là văn bản thuần trong ô chỉ đọc; thao tác định dạng không thay thế nội dung gốc. Công cụ xử lý khi bạn yêu cầu, không tự cập nhật theo từng lần gõ. Muốn điều chỉnh nội dung, bạn sửa ô gốc rồi xử lý lại.

Một đầu vào hợp lệ vẫn có thể tạo kết quả rỗng nếu toàn bộ nội dung bị quy tắc xóa liên kết loại bỏ. Trường hợp này khác với đầu vào bị từ chối. Sao chép được thiết kế cho văn bản thuần, nhưng thành công thực tế phụ thuộc trình duyệt. Thao tác xóa trắng yêu cầu xác nhận trước khi xóa cả hai ô.

Các quy tắc làm sạch được áp dụng như thế nào?

Thứ tự xử lý và ưu tiên cấu trúc dòng

Các tùy chọn được áp dụng theo thứ tự cố định: xóa URL và email, xử lý dòng, thu gọn khoảng trắng, chuẩn hóa dấu câu, viết hoa, cuối cùng cắt khoảng trắng ở hai đầu. Thứ tự này giải thích vì sao khoảng cách dư do xóa địa chỉ có thể được dọn ở bước tiếp theo.

Quy tắc xóa URL nhận diện chuỗi bắt đầu bằng http://, https:// hoặc www., rồi lấy đến khoảng trắng kế tiếp. Không có quy tắc nhận diện tiền tố ftp://. Email được tìm bằng một mẫu ký tự giới hạn, không phải bộ kiểm tra đầy đủ địa chỉ email.

Khi bật gộp dòng, mỗi cụm ký tự xuống dòng được thay bằng một dấu cách và nhánh xóa dòng trống không chạy. Nếu tắt thu gọn khoảng trắng, dấu cách có sẵn cạnh chỗ xuống dòng vẫn có thể tạo khoảng cách dư. Khi không gộp dòng, tùy chọn xóa dòng trống loại bỏ phần khoảng trắng và ngắt dòng phù hợp ở đầu dòng, chứ không chỉ giảm nhiều dòng trống xuống còn một.

Khoảng trắng, dấu câu và viết hoa

Thu gọn khoảng trắng thay các cụm từ hai ký tự trở lên gồm dấu cách thông thường hoặc tab bằng một dấu cách. Một tab đơn lẻ nằm giữa nội dung không thuộc điều kiện đó.

Với sáu dấu câu được hỗ trợ, công cụ xóa khoảng trắng đứng ngay trước dấu. Sau dấu, một dấu cách được thêm nếu ký tự kế tiếp không phải khoảng trắng và không phải chữ số từ 0 đến 9. Đây là phép xét ký tự; công cụ không phân tích số thập phân hay đơn vị.

Viết hoa áp dụng cho ký tự không phải khoảng trắng đầu toàn văn bản hoặc sau dấu chấm, chấm than, chấm hỏi cùng khoảng trắng theo sau. Đầu mỗi dòng không tự được coi là đầu câu. Nếu vị trí được chọn là dấu nháy, dấu ngoặc hoặc chữ số, chữ cái tiếp theo chưa chắc được viết hoa.

Cắt khoảng trắng hai đầu luôn diễn ra, kể cả khi tắt mọi tùy chọn. Không có bước tính toán, chuyển đổi hoặc làm tròn số.

Khi nào nên dùng Text Cleaner?

Dọn đoạn văn sao chép từ nhiều nguồn

Công cụ phù hợp với đoạn văn thông thường có nhiều dấu cách hoặc dấu câu dính chữ sau khi sao chép. Bạn có thể dùng các tùy chọn làm sạch hình thức để tạo bản dễ đọc hơn, rồi tự rà soát nội dung. Với văn bản nhiều tên riêng, thuật ngữ hoặc số liệu, không nên xem bản đã dọn là bản đã được hiệu đính hoàn chỉnh.

Giữ lại bản gốc giúp nhận ra những thay đổi không mong muốn, đặc biệt tại chỗ nối câu hoặc quanh dấu câu.

Chọn giữ dòng hay gộp dòng

Gộp dòng có ích khi một đoạn văn bị chia thành nhiều dòng chỉ do cách sao chép từ nguồn khác. Ngược lại, nếu các dòng đại diện cho tiêu đề, mục danh sách, lời thoại hoặc những đoạn độc lập, việc gộp có thể làm mất bố cục cần thiết. Hãy xác định ý nghĩa của ranh giới dòng trước khi chọn xử lý, thay vì chỉ dựa vào việc văn bản trông dài hay ngắn.

Chuẩn bị nội dung để đưa sang nơi khác

Với ghi chú có thông tin liên hệ, chỉ bật xóa URL và email khi thật sự muốn bỏ chúng. Đây không phải chức năng ẩn danh đầy đủ: tên người, số điện thoại và nhiều thông tin nhận dạng khác không được xử lý bởi tùy chọn này.

Khi chuẩn bị bài đăng mạng xã hội, Text Cleaner giúp dọn chữ chứ không tạo chữ đậm hoặc mẫu riêng cho từng nền tảng. Bạn có thể đối chiếu bản gốc và bản đã dọn bằng công cụ so sánh văn bản; không có bằng chứng về việc hai công cụ tự chuyển dữ liệu cho nhau.

Ví dụ làm sạch văn bản và cách đọc kết quả

Đoạn văn cần dọn khoảng trắng và dấu câu

Các ví dụ dưới đây được suy ra từ quy tắc trong mã, không phải báo cáo chạy thử. Văn bản minh họa không có đơn vị đo. Với bốn tùy chọn mặc định, không bật gộp dòng hoặc xóa liên kết, đầu vào và đầu ra là:

Đầu vào: "  xin   chào ,bạn!hẹn gặp lại.  "
Kết quả: "Xin chào, bạn! Hẹn gặp lại."

Cụm dấu cách giữa các từ được thu gọn; khoảng trắng trước dấu phẩy bị bỏ. Khoảng cách sau dấu phẩy và chấm than được bổ sung, chữ đầu văn bản và sau chấm than được viết hoa, hai đầu được cắt gọn.

Giữ hai dòng hoặc gộp thành một dòng

Trong ví dụ sau, ký hiệu \n biểu thị một ngắt dòng thật, không phải hai ký tự được nhập nguyên văn:

Đầu vào: "dòng một\ndòng hai"
Mặc định: "Dòng một\ndòng hai"
Bật thêm gộp dòng: "Dòng một dòng hai"

Ở cấu hình mặc định, cả hai dòng đều có nội dung nên ngắt dòng còn lại. Chữ đầu dòng thứ hai không tự viết hoa vì trước đó không có dấu kết câu được nhận diện. Khi gộp dòng, ranh giới giữa hai dòng trở thành dấu cách.

Số liệu và thông tin liên hệ

Với cấu hình mặc định, các chuỗi số giả định dưới đây được giữ nguyên vì ký tự ngay sau dấu chấm hoặc phẩy là chữ số. Chúng không được gán đơn vị hay ý nghĩa tiền tệ:

Đầu vào: "giá trị 3.14 và 1,000;ổn"
Kết quả: "Giá trị 3.14 và 1,000; ổn"

Dấu chấm phẩy được thêm khoảng cách nhưng không kích hoạt viết hoa. Với địa chỉ minh họa, bật thêm xóa URL và email sẽ cho:

Đầu vào: "tham khảo https://example.com và gửi demo@example.com nhé"
Kết quả: "Tham khảo và gửi nhé"

Địa chỉ được xóa trước, các dấu cách còn lại được thu gọn sau. Một tác dụng phụ cần lưu ý là đầu vào phiên bản 2.0...ổn ở cấu hình mặc định trở thành Phiên bản 2.0. . . Ổn. Đây là hệ quả của quy tắc, không phải cách viết dấu ba chấm được khuyến nghị.

Làm sạch văn bản khác gì định dạng tài liệu và sửa nội dung?

Làm sạch ký tự và tạo kiểu trình bày

Làm sạch ký tự thay đổi chuỗi nội dung: bỏ khoảng trắng, thay ngắt dòng hoặc đổi chữ thường thành chữ hoa tại một vị trí. Tạo kiểu trình bày lại gắn thuộc tính cho nội dung, chẳng hạn đậm, nghiêng, màu chữ hoặc bố cục trang. Text Cleaner thuộc nhóm thứ nhất. Sao chép kết quả không tạo ra chữ đậm, gạch ngang hay một tài liệu có thiết kế, dù ô hiển thị có màu nền và phông chữ riêng.

Chuẩn hóa hình thức và sửa nội dung

Chuẩn hóa hình thức có thể khiến đoạn văn dễ đọc hơn mà không xác định câu đó đúng hay sai. Sửa nội dung đòi hỏi xem xét chính tả, ngữ pháp, cách diễn đạt và ý nghĩa. Mã được cung cấp không triển khai những nhiệm vụ đó, cũng không thể hiện chức năng AI. Một câu dùng sai từ vẫn có thể được trả về với khoảng cách gọn gàng. Vì vậy, từ khóa tìm kiếm liên quan đến AI không phải bằng chứng về khả năng của công cụ.

Văn bản thường và dữ liệu có cấu trúc

Trong JSON, YAML hoặc mã nguồn, dấu câu và khoảng trắng có thể là thành phần cú pháp chứ không chỉ để trình bày. Thêm dấu cách vào chuỗi địa chỉ hoặc xóa thụt dòng có thể làm thay đổi dữ liệu hay cấu trúc. Không nên áp dụng quy tắc dọn văn xuôi như một cách định dạng an toàn cho mọi dữ liệu.

Nếu đang làm việc với JSON, chủ đề làm đẹp và định dạng JSON phù hợp hơn để tìm hiểu. Tuy nhiên, không thể từ tên công cụ liên quan mà khẳng định khả năng kiểm tra hay tự sửa lỗi; cũng không có bằng chứng về tích hợp tự động với Text Cleaner.

Giới hạn và những trường hợp cần kiểm tra lại

Nội dung dễ bị thay đổi ngoài ý muốn

Dấu ba chấm, tên miền, URL còn giữ lại và chuỗi ký hiệu kỹ thuật có thể bị chèn khoảng trắng hoặc viết hoa ngoài mong muốn. Quy tắc xét từng dấu câu không biết dấu chấm đang kết câu hay nằm trong địa chỉ. Với dấu nháy hoặc ngoặc đầu câu, ký tự được chọn để viết hoa có thể chính là dấu đó, khiến chữ phía sau vẫn thường.

Xóa liên kết không nhận diện mọi dạng địa chỉ. URL có thể bị xóa cùng dấu câu dính ở cuối; email có ký tự ngoài mẫu, như dấu cộng, có thể chỉ bị xóa một phần. Vì vậy, cần rà lại cả phần còn sót lẫn dấu câu vừa mất.

Khoảng trắng trước dấu câu có thể bao gồm ngắt dòng, nên bố cục vẫn có thể đổi dù không bật gộp dòng. Thơ, bảng căn bằng tab và mã nguồn cần được cân nhắc kỹ trước khi xử lý.

Những điều chưa thể khẳng định

Logic làm sạch chính có thể giải thích từ mã đã cung cấp, nhưng chưa xác minh hiệu năng với văn bản rất dài hoặc hành vi trên từng trình duyệt, thiết bị. Sao chép còn phụ thuộc mức hỗ trợ của môi trường sử dụng.

Không có chức năng lịch sử phiên bản hoặc hoàn tác được triển khai trong phần mã này. Cũng chưa đủ dữ liệu về toàn bộ website để khẳng định nội dung không được gửi đi, không được lưu hoặc được bảo mật tuyệt đối.

Câu hỏi thường gặp

Vì sao nhập toàn khoảng trắng không tạo kết quả mới mà kết quả cũ vẫn còn?

Vì công cụ kiểm tra đầu vào trước khi bắt đầu làm sạch. Nếu sau khi bỏ khoảng trắng hai đầu không còn ký tự nào, thao tác bị dừng và ô kết quả không được cập nhật. Bản đang hiển thị vì vậy vẫn thuộc lần xử lý trước, không phải kết quả mới của chuỗi khoảng trắng. Bạn cần nhập nội dung hợp lệ rồi yêu cầu định dạng lại; nếu muốn bỏ cả bản cũ, thao tác xóa trắng sẽ xóa hai ô sau khi được xác nhận.

Vì sao bật xóa liên kết có thể khiến kết quả trống hoàn toàn?

Điều này xảy ra khi đầu vào có nội dung hợp lệ nhưng toàn bộ nội dung đó khớp mẫu địa chỉ cần xóa. Chẳng hạn, một URL đứng riêng vượt qua kiểm tra ban đầu rồi bị loại bỏ ở bước xử lý liên kết. Công cụ không yêu cầu kết quả cuối phải còn chữ. Nút sao chép vẫn được bật sau lần xử lý hợp lệ này, nhưng khi kết quả rỗng, thao tác sao chép dừng ngay vì không có nội dung để đưa vào bộ nhớ tạm.

Tắt gộp dòng có bảo đảm giữ nguyên mọi ngắt dòng không?

Không. Tắt gộp dòng chỉ ngăn việc thay toàn bộ cụm xuống dòng bằng dấu cách ở nhánh xử lý đó. Nếu xóa dòng trống vẫn bật, các dòng trống phù hợp mẫu vẫn bị loại bỏ. Chuẩn hóa dấu câu cũng có thể xóa ngắt dòng khi nó nằm trong phần khoảng trắng ngay trước một dấu câu được hỗ trợ. Ngoài ra, bước cắt hai đầu có thể bỏ ngắt dòng đầu hoặc cuối văn bản. Muốn giữ bố cục, cần xem xét các tùy chọn liên quan và đối chiếu kết quả.

Vì sao một tab đơn lẻ vẫn còn dù đã bật xóa khoảng trắng thừa?

Vì quy tắc thu gọn chỉ tác động lên cụm từ hai ký tự trở lên gồm dấu cách thông thường hoặc tab. Một tab đứng riêng giữa hai phần nội dung không đạt điều kiện đó nên có thể được giữ lại. Nếu tab nằm cạnh một dấu cách hoặc tab khác, cả cụm có thể trở thành một dấu cách. Tab ở hai đầu hoặc ngay trước dấu câu còn có thể bị quy tắc khác loại bỏ. Do đó, tùy chọn này không tương đương với chuyển mọi tab thành dấu cách.

Tắt tất cả tùy chọn có giữ nguyên văn bản và công cụ có tự sửa ngữ pháp không?

Không giữ nguyên tuyệt đối, và công cụ không tự sửa ngữ pháp. Dù tắt sáu tùy chọn, bước cắt khoảng trắng hai đầu vẫn chạy, nên dấu cách, tab hoặc ngắt dòng ở rìa nội dung có thể mất. Các quy tắc được triển khai không đánh giá sự hòa hợp ngữ pháp, lựa chọn từ hay ý nghĩa câu. Chúng cũng không thêm dấu kết câu dựa trên nội dung. Nếu cần hiệu đính, bạn phải đọc lại bản văn thay vì coi một đầu ra sạch khoảng trắng là bản đã sửa lỗi ngôn ngữ.

Thông báo đã copy có bảo đảm sao chép thành công không?

Không. Thông báo cho biết thao tác sao chép đã đi qua luồng xử lý được thiết kế, nhưng mã không kiểm tra giá trị trả về của lệnh sao chép để xác nhận bộ nhớ tạm đã cập nhật. Mức hỗ trợ và các hạn chế của trình duyệt có thể ảnh hưởng kết quả thực tế. Sau khi sao chép, bạn nên dán vào nơi nhận và kiểm tra nội dung, nhất là trước khi thay thế một bản quan trọng. Dữ liệu được yêu cầu sao chép là văn bản thuần, không mang kiểu trình bày của ô kết quả.

Có thể khẳng định văn bản không được gửi đi hoặc lưu lại không?

Không thể khẳng định điều đó chỉ từ phần mã được cung cấp. Logic làm sạch chính không thể hiện lời gọi API hay thư viện xử lý văn bản bên ngoài, nhưng thông tin này chưa bao quát toàn bộ trang và hệ thống vận hành. Những thành phần khác chưa được xem xét có thể ảnh hưởng đến cách dữ liệu được xử lý. Vì vậy, không nên suy ra cam kết “chỉ xử lý cục bộ” hoặc “không lưu dữ liệu”. Với nội dung nhạy cảm, hãy cân nhắc loại bỏ thông tin riêng trước khi đưa vào website.