Quitar markdown y caracteres invisibles

Qué hace, en dos pasadas

La primera pasada se fija en los caracteres que no se ven: los cuenta uno a uno, te dice de qué tipo son y los elimina o los convierte en un espacio normal. La segunda convierte el markdown en texto plano: las almohadillas del título desaparecen y el título se queda en su propia línea, la negrita y la cursiva pasan a ser texto, las listas siguen siendo listas, las tablas se convierten en líneas legibles, los enlaces pasan a «texto (dirección)» o solo al texto, y las citas pierden el signo de mayor que. Dentro de los bloques de código, tanto los que van entre tres comillas invertidas como los sangrados con cuatro espacios, el markdown no se convierte y los espacios se quedan como están. Al final llega la pasada tipográfica, que va solo en una dirección: de las comillas tipográficas a las rectas, de la raya al guion normal, del carácter de puntos suspensivos a los tres puntos que escribes tú. La dirección contraria, la que quiere un tipógrafo, no es para lo que sirve esta herramienta. Una decisión tomada a propósito: los caracteres invisibles y la tipografía, cuando los activas, se corrigen también dentro del código, porque un espacio duro o una comilla tipográfica dentro de una cadena es justo lo que rompe un programa.

Los caracteres que no se ven, y por qué hacen daño

El espacio duro (U+00A0) es el que mantiene «10 kg» en la misma línea: parece un espacio, pero para un programa es un carácter distinto. Dentro de una cadena de código rompe la compilación, dentro de un campo de un software de gestión hace que se rechace el valor, y en una comparación entre dos textos idénticos hace que salgan distintos. El espacio de ancho cero (U+200B) y la marca U+FEFF no ocupan ni sitio: son completamente invisibles y viajan con el copiar y pegar de una página web o un editor. Las guion blando (U+00AD) es una indicación de división de palabra que solo aparece cuando la palabra pasa de línea, pero se queda en los datos. Marcas de dirección pertenecen al texto árabe y hebreo, y en un texto latino casi siempre han acabado ahí por error. Caracteres de control no deberían estar ahí en absoluto. De cada uno de ellos la página te dice cuántos hay y qué les ha pasado: esto no es una limpieza a ciegas.

Las excepciones: dos caracteres invisibles que NO hay que quitar

Dos caracteres de ancho cero son contenido real, no suciedad. El primero es la unión de ancho cero (U+200D): es lo que mantiene unidos los emoji compuestos. Una familia se escribe como cuatro figuras separadas pegadas por tres uniones, una profesión como una persona más un objeto, y quitar ese carácter parte el emoji delante de quien lee. El segundo es la no unión de ancho cero (U+200C): en persa y en las escrituras índicas no es un adorno sino una letra, porque impide que dos letras se unan y cambia la palabra escrita. Los dos interruptores están aquí, están desactivados de partida, y aun cuando los activas la herramienta deja en paz los legítimos: un carácter de unión entre dos signos pictográficos y uno de no unión junto a una letra árabe, persa o índica no se tocan nunca. Siguen apareciendo en el recuento, como puntos huecos, para que sepas que están ahí.

Por qué la vista antes/después está siempre activa

Porque el markdown no es un lenguaje sin ambigüedades, y quien lo convierte tiene que poder comprobarlo. En «3 * 4 * 5» los asteriscos son multiplicaciones, en long_user_name los guiones bajos forman parte del nombre, y en una nota al pie los corchetes no son un enlace. Esta página es prudente por construcción: un asterisco abre negrita solo si no lleva un espacio detrás ni una letra o una cifra delante, así las multiplicaciones y los nombres de variables sobreviven. Pero la prudencia no es una garantía en un texto que nunca ha visto: en el panel «Antes» se colorea cada marca que está a punto de desaparecer, así la ves antes de copiar, no después de haberlo pegado en otro sitio.

No te dice si un texto lo ha escrito una IA

Mucha gente llega aquí buscando eso, y la respuesta honesta es que los caracteres no te lo pueden decir. La raya, las comillas tipográficas y el carácter único de puntos suspensivos los pone el autocorrector del móvil, los pone Word, los pone cualquier programa de maquetación y los pone todo el que escribe para vivir. Al revés, un texto generado y luego repasado no deja nada reconocible. Los programas que prometen ese veredicto se equivocan a menudo, y se equivocan sobre todo con quien escribe en una lengua que no es la suya. Esta herramienta hace una sola cosa y la hace del todo: arregla los caracteres.

Lo que no hace, dicho desde el principio

No quita las etiquetas HTML: para eso está Quitar las etiquetas HTML. No repara los acentos rotos (del tipo «perché»), que son un problema de codificación y se resuelven con Reparar caracteres rotos. Si lo único que necesitas son los espacios dobles y las sangrías, Quitar los espacios de más va más al grano. No añade markdown donde no lo hay ni convierte en sentido contrario. Deja las notas al pie y los enlaces por referencia ([texto][1]) tal cual, porque tocarlos haría más daño que bien, y deja tal cual las tabulaciones, que muchas veces son la estructura de los datos. Un bloque de código abierto y nunca cerrado se avisa en vez de adivinarlo. La vista antes/después se detiene en los primeros 20.000 caracteres para no ahogar un móvil, mientras que el texto que copias y descargas siempre está completo; a partir de 200.000 caracteres la herramienta se detiene y lo dice. Todo ocurre en tu navegador: el texto no se sube a ningún sitio.