Remover markdown e caracteres invisíveis

O que faz, em duas passagens

A primeira passagem olha os caracteres que você não vê: conta um por um, diz de que tipo são e os remove ou os transforma em um espaço normal. A segunda transforma markdown em texto simples: as cerquilhas dos títulos somem e o título continua em sua própria linha, negrito e itálico viram texto, listas continuam listas, tabelas viram linhas legíveis, links viram «texto (endereço)» ou só o texto, e as citações perdem o sinal de maior. Dentro dos blocos de código, tanto os entre três crases quanto os indentados com quatro espaços, o markdown não é convertido e os espaços ficam como estão. Por último vem a passagem tipográfica, que só vai em um sentido: de aspas curvas para retas, do travessão para o hífen simples, do caractere de reticências para os três pontos que você digita. O sentido contrário, o que um diagramador quer, não é o objetivo desta ferramenta. Uma escolha feita de propósito: caracteres invisíveis e tipografia, depois de ligados, são corrigidos também dentro do código, porque um espaço inseparável ou uma aspa curva dentro de uma string é exatamente o que quebra um programa.

Os caracteres que você não vê, e por que causam estrago

O espaço inseparável (U+00A0) é o que mantém «10 kg» na mesma linha: parece um espaço, mas para um programa é um caractere diferente. Dentro de uma string de código quebra a compilação, dentro de um campo de um software de gestão faz o valor ser rejeitado, e em uma comparação entre dois textos idênticos faz com que saiam diferentes. O espaço de largura zero (U+200B) e a marca U+FEFF nem ocupam lugar: são completamente invisíveis e vão junto na hora de copiar e colar de uma página web ou de um editor. O hífen suave (U+00AD) é uma dica de hifenização que só aparece quando a palavra quebra a linha, mas fica nos dados. As marcas de direção pertencem a textos em árabe e hebraico e, em um texto latino, quase sempre foram parar ali por engano. Os caracteres de controle nem deveriam estar ali. Para cada um desses, a página diz quantos há e o que aconteceu com eles: não é uma limpeza às cegas.

As exceções: dois caracteres invisíveis que NÃO devem ser removidos

Dois caracteres de largura zero são conteúdo de verdade, não sujeira. O primeiro é o conector de largura zero (U+200D): é ele que mantém unidos os emojis compostos. Uma família é escrita como quatro figuras separadas coladas por três conectores, uma profissão como uma pessoa mais um objeto, e tirar esse caractere divide o emoji diante do leitor. O segundo é o não conector de largura zero (U+200C): em persa e nas escritas índicas ele não é um enfeite, mas uma letra, porque impede que duas letras se unam e muda a palavra escrita. Os dois interruptores estão aqui, mas ficam desligados no início, e mesmo quando você os liga a ferramenta deixa em paz os legítimos: um conector entre dois sinais pictográficos e um não conector ao lado de uma letra árabe, persa ou índica nunca são tocados. Eles continuam aparecendo na contagem, como pontos vazados, para você saber que estão lá.

Por que a visão de antes e depois está sempre ligada

Porque markdown não é uma linguagem sem ambiguidade, e quem o converte precisa poder conferir. Em «3 * 4 * 5» os asteriscos são multiplicações, em long_user_name os sublinhados fazem parte do nome, e em uma nota de rodapé os colchetes não são um link. Esta página é cautelosa por construção: um asterisco só abre negrito se não tiver espaço depois dele nem letra ou dígito antes, então multiplicações e nomes de variáveis sobrevivem. Mas cautela não é garantia em um texto que ela nunca viu: no painel «Antes», cada marca que está prestes a desaparecer aparece colorida, então você a vê antes de copiar, não depois de ter colado em outro lugar.

Ela não diz se um texto foi escrito por uma IA

Muita gente chega aqui procurando isso, e a resposta honesta é que os caracteres não podem dizer. O travessão, as aspas curvas e o caractere único de reticências são colocados pelo autocorretor do seu celular, pelo Word, por qualquer programa de diagramação e por todo mundo que vive de escrever. No sentido inverso, um texto gerado e depois arrumado não tem mais nada de reconhecível. Os programas que prometem esse veredito costumam errar, e erram mais ainda com pessoas que escrevem em um idioma que não é o delas. Esta ferramenta faz uma coisa só e a faz por completo: corrige os caracteres.

O que ela não faz, dito de antemão

Ela não remove tags HTML: para isso existe Remover tags HTML. Não conserta acentos estragados (do tipo «perché»), que são um problema de codificação e se resolvem com Corrigir caracteres quebrados. Se você só precisa cuidar de espaços duplos e indentações, Remover espaços extras vai mais direto ao ponto. Não acrescenta markdown onde não há e não converte no sentido contrário. Deixa em paz as notas de rodapé e os links por referência ([text][1]), porque mexer neles faria mais mal do que bem, e deixa em paz as tabulações, já que muitas vezes elas são a estrutura dos dados. Um bloco de código aberto e nunca fechado é sinalizado, sem tentar adivinhar. A visão de antes e depois para nos primeiros 20.000 caracteres para não travar um celular, enquanto o texto que você copia e baixa é sempre completo; acima de 200.000 caracteres a ferramenta para e avisa. Tudo acontece no seu navegador: o texto nunca é enviado a lugar nenhum. Se o que você quer dessa resposta é o código, com os arquivos já separados, existe Extrair o código de uma resposta de IA.