Limpiar formato de texto

Por qué el texto viene sucio

Copiar y pegar es engañoso. Lo que ves no es todo lo que recibís: junto con el texto visible, el portapapeles acarrea formato, caracteres invisibles y artefactos del origen. Fuentes típicas de suciedad:

• Word / Google Docs. Agregan NBSP (espacios no-rompibles), comillas tipográficas (“smart quotes”), guiones em, y tags de estilo al copiar a editores web que aceptan HTML.
• Emails. Los clients insertan espacios unicode raros, pueden incluir firmas automáticas con caracteres invisibles, y rompen el formato cuando los pegás en un campo limpio.
• Páginas web. Pegar desde una página trae tags HTML, atributos inline, entidades (&), y caracteres de formateo de JavaScript templating.
• PDFs. La extracción de PDF a texto frecuentemente agrega saltos de línea por ancho de columna, guiones de corte de palabra, y caracteres de control.
• Terminal / logs. ANSI escape codes, caracteres de control, BOM al inicio si vienen de archivos Windows.

Operaciones ofrecidas

Quitar HTML. Remueve tags HTML y decodifica entidades básicas. Si pegás <p>Hola &amp; bienvenida</p>, obtenés Hola & bienvenida.

Colapsar espacios múltiples. Secuencias de 2 o más espacios/tabs se reducen a uno. Útil cuando el texto original tenía alineación con espacios o tabs inconsistentes.

Colapsar saltos de línea. Si hay tres o más saltos seguidos (lo que se ve como líneas en blanco múltiples), se reducen a dos (un párrafo en blanco). No aplasta párrafos distintos — los separa limpiamente con UN espacio entre ellos.

Trim por línea y total. Remueve espacios al inicio y fin de cada línea, y al inicio y fin del texto completo. Hace que cada línea empiece limpia en la columna 1.

Caracteres invisibles. El que más sorpresas da. NBSP (U+00A0, un espacio que parece espacio pero no lo es), zero-width space (U+200B, literalmente invisible ocupando posición), zero-width joiner/non-joiner, byte-order mark al inicio, soft hyphen, varios espacios unicode (em-space, en-space, figure-space, etc.). Todos se convierten a espacios ASCII normales.

Normalizar comillas tipográficas. Word y publicaciones usan comillas inteligentes: “texto” (U+201C/U+201D) en vez de "texto" (U+0022). Aesthéticamente mejores pero rompen código fuente, regex, JSON. La opción las pasa a ASCII.

Quitar emojis. Remueve emojis y símbolos pictóricos Unicode. Útil cuando el texto debe ir a sistemas que no manejan emojis bien (SMS 7-bit, logs plain, algunas bases de datos legacy).

Casos de uso

Preparar texto para SMS. SMS 7-bit GSM tiene rango limitado. Acentos se convierten en múltiples bytes, y caracteres raros cuentan como múltiples caracteres. Limpiar antes baja el costo del SMS.

Importar texto a base de datos. Un INSERT con caracteres invisibles puede romper queries posteriores. Limpiar primero previene bugs misteriosos de búsqueda.

Pegar a campos de formulario estrictos. APIs que validan email, username, SKU, y rechazan caracteres fuera de ASCII. Limpiar antes evita errores.

Publicar a sistemas legacy. CMS antiguos, páginas estáticas, PDFs a texto que no aceptan Unicode completo. Limpiar caracteres invisibles y comillas tipográficas asegura compatibilidad.

Debug de texto misterioso. Un string no matchea en código a pesar de verse igual. Casi siempre es un carácter invisible. Limpiar y volver a comparar resuelve.

Casos en Chile

Exports del SII pegados como texto. Los portales del SII a veces permiten copiar tablas al portapapeles, pero el resultado trae NBSP entre celdas y formato peculiar. Limpiar antes de procesar evita que “12.345.678-9” aparezca con un NBSP entre los dígitos.

Copy de contratos legales. Contratos Word circulan por email y se copian entre colegas. Pegado a un formulario web arrastra formato que puede distorsionar el texto final. Limpiar asegura consistencia.

Descripciones de producto para e-commerce. Textos de catálogo copiados desde Word con viñetas, colores, fuentes. El CMS los recibe con HTML corrupto o se ven mal en el front. Limpiar a texto plano y re-formatear en el CMS es el workflow correcto.

Envío de mensajes masivos. Plataformas de email marketing o WhatsApp Business cobran por carácter y rechazan ciertos caracteres Unicode. Limpiar previamente optimiza costo y deliverability.

Qué NO hace esta herramienta

• No remueve HTML profundo con JavaScript embebido o scripts. Para eso usa un sanitizer específico.
• No corrige ortografía ni gramática. Solo remueve artefactos mecánicos.
• No traduce. Preserva el idioma original.
• No cambia el sentido. Solo limpia la envoltura.

Privacidad

Las transformaciones usan regex y métodos string nativos del navegador. Tu texto — posiblemente un contrato sensible, un email interno, un borrador confidencial — no sale de tu dispositivo. Importante para manejo de información sujeta a deber de confidencialidad.

Relacionadas

• Convertir mayúsculas
• Quitar acentos
• Encode/decode
• Contar palabras para verificar tamaño post-limpieza.