中文文本清洗

中文 文字工具
简 繁 EN
Share:
By

免費中文文本清洗工具。8 個可切換規則:合併空格、刪除漢字間空格、統一換行符、合併空行、刪零寬字符、標準化引號、刪 Emoji、刪 URL。

RT-CHN-040 · Chinese Language & Script

中文文本清洗

Chars Before: 0 After: 0 Saved: 0
Advertisement
After results · AD-W1 Responsive

使用方法

選擇規則

8 個規則可獨立切換。默認前 5 個開啟,後 3 個(引號、Emoji、URL)按需開啟。

貼上文本

即時清洗。可看到「前後」字符數和「節省」字符數。

複製結果

一鍵複製清洗後的文本到剪貼板。

與其他工具組合

本工具 + 簡繁轉換器 + 全角半角轉換器 = 完整中文文本預處理工作流。

中文文本清洗:OCR、剪貼板、爬蟲的常見問題

中文文本在跨工具流轉時常帶「髒資料」 — 多餘空格、零寬字符(常被 Word、PDF 複製時插入)、智能引號、混排的全角半角等。這些視覺上看不見但破壞正式格式的問題,在以下場景尤其常見:

常見來源 + 清洗策略

(1) OCR 輸出:漢字間常被錯誤插入空格(因為引擎按字符識別)。規則:開啟「刪除漢字間空格」。
(2) PDF / Word 剪貼:常帶零寬字符(U+200B、U+FEFF 等),讓文檔「看起來一樣,但代碼不同」。規則:開啟「刪零寬字符」。
(3) 智能引號:Word 自動把 "..." 轉 "..."(智能引號)。在 JSON、SQL、HTML 中會出問題。規則:開啟「標準化引號」。
(4) 網頁爬蟲:常帶多餘空白、URL、Emoji。規則:開啟相應過濾器。

處理順序很重要

本工具按以下順序處理:統一換行符 → 刪零寬 → 刪 URL → 刪 Emoji → 標準化引號 → 刪 CJK 間空格 → 合併空格 → 合併空行。順序設計確保每個規則的輸入是「乾淨的中間態」 — 這是規則化文本處理的標準做法。

隱私

所有處理在你的瀏覽器內完成。不向我們的伺服器發送任何文本。即使輸入是機密內容,也是完全安全的。

Advertisement
After how-to · AD-W2 Responsive

關於中文文本清洗的 10 個事實

01

零寬字符(U+200B、U+200C、U+200D、U+FEFF)是視覺上不可見的。Word、PDF、Notion 複製時常注入,但目視檢查無法發現。

02

智能引號(""'')是 Word 默認設置 — 當你輸入「"」時,Word 自動轉換。在 JSON、SQL、命令行中會觸發語法錯誤。

03

OCR 引擎(如 Tesseract)默認按字符分割識別 — 這就是為什麼掃描的中文常變成「漢 字 之 間 有 空 格」。本工具的「刪除 CJK 間空格」規則就是為此設計。

04

「正則表達式」是處理中文的關鍵技術。漢字範圍 [一-鿿] (U+4E00 - U+9FFF) + 相容擴展 [㐀-䶿] (U+3400 - U+4DBF) 共 27,000+ 字符。本工具的「CJK 間空格」規則就用了這兩個範圍。

05

U+FEFF(BOM,Byte Order Mark)是 UTF-8 文件的字節序標誌。Windows 用 Notepad 保存時自動插入。Linux、Mac 工具會報錯。本工具會把它和其他零寬字符一起刪除。

06

Emoji 在中文文本中是「雙字節字符」(佔 4-8 字節 UTF-8)。如果資料庫列寬不夠,會導致截斷錯誤。本工具的「刪 Emoji」選項可批量清理。

07

Windows / Mac / Linux 用不同換行符:Windows = CRLF(\r\n)、Mac/Linux = LF(\n)、舊 Mac OS = CR(\r)。本工具統一為 LF — 跨平台相容的標準。

08

「斷行」與「分段」是兩個概念。一個段落內可以有多個軟換行(用 \n)。空行(\n\n)表示分段。本工具的「合併空行」規則保留 1 個空行作分段標誌,刪除多餘空行。

09

「半角空格」與「全角空格」(U+3000)是不同字符。本工具的「合併空格」規則同時處理兩者 — 把所有空白(普通空格、tab、全角空格、不間斷空格)合併為單個普通空格。

10

本工具與 RT-CHN-037(簡繁轉換)、RT-CHN-038(全角半角)、RT-CHN-039(豎排)互補 — 完整的中文文本處理工具集。

常見問題

  • 完全本地。所有處理在你的瀏覽器內完成,沒有任何文本上傳。即使輸入是機密內容,也是 100% 安全的。

  • 前 5 個:合併空格、刪 CJK 間空格、統一換行符、合併空行、刪零寬字符。這些是無副作用的「安全清洗」。後 3 個(引號、Emoji、URL)按需開啟 — 可能改變意思,故默認關。

  • 不會。規則嚴格限定為兩個 CJK 字符之間的空格 — 如「漢 字」會變「漢字」,但「I love 中文」保持不變。

  • 保留 1 個空行(作為分段標誌)。刪除多餘的(3 個或更多變 1 個)。這保持段落結構,刪冗餘。

  • 彎引號 "" 轉直引號 " " ;彎單引號 '' 轉直單引號 ' '。Word 的「智能引號」是 JSON、SQL 錯誤的常見來源 — 此規則修復。

  • 覆蓋主流 Emoji 範圍:U+1F300-U+1FAFF(Emoji 主塊)、U+2600-U+27BF(符號 + 方位標誌)、U+1F600-U+1F64F(表情)。少數邊角 Emoji 可能漏掉。

  • 強烈建議。零寬字符、混排空格、智能引號都會導致「查詢查不到」的詭異 bug。生產環境的中文文本輸入都應該經過類似清洗。

  • 原文保留在左側的輸入框中,不會被覆蓋。你可以隨時編輯、調整規則、對比前後效果。結果(右側)是只讀的。

  • 全開。PDF 通常含:零寬字符、錯位空格、智能引號、可能的 Emoji 或 URL。本工具的「全部開啟」配置正適合 PDF 文本清洗。

  • 僅開啟前 5 個「無副作用」規則。不開「標準化引號」(可能修改字符串值)、不開「刪 Emoji / URL」(可能含代碼相關內容)。

Advertisement
Pre-footer · AD-W3 728 × 90