El taller · Limpiar un texto pegado
Cómo funciona : Limpiar un texto pegado
Un texto pegado transporta lo que nadie ve: caracteres de anchura cero, controles de escritura que invierten lo que se ve sin cambiar los bytes, espacios que no lo son. La herramienta los NOMBRA uno por uno, con su nombre oficial Unicode, y después los quita.
El desorden visible de un copiar y pegar se arregla en dos minutos: los espacios dobles, las líneas vacías de más, las viñetas que se arrastran. El desorden INVISIBLE, no, y ese es el que sale caro. Un texto pegado desde una página web o desde un documento transporta a menudo caracteres que no se ven en absoluto, y que hacen fallar una búsqueda, una comparación, una importación de datos o un formulario, sin que nadie entienda por qué.
Esta herramienta los enumera ANTES de quitarlos, cada uno con su nombre oficial Unicode y su punto de código. Hay dos familias que conviene conocer. Los caracteres de anchura cero: se puede esconder con ellos un patrón reconocible dentro de un texto, y ese patrón sobrevive al copiar y pegar. Los controles de escritura bidireccional: reordenan lo QUE SE VE sin cambiar los bytes, lo que permite que un texto se lea de una forma y se ejecute de otra. Esta última técnica la publicaron en 2021 dos investigadores de Cambridge con el nombre de Trojan Source.
Lo demás es comodidad honesta: la normalización Unicode en forma compuesta, recomendada para cualquier contenido por el anexo Unicode n.º 15 y por el W3C; los espacios duros convertidos en espacios normales; las comillas tipográficas convertidas si usted lo pide; y el pegado de las palabras partidas al final de línea, la trampa del texto copiado desde un PDF.
Cómo funciona
- Pegue su texto. No sale de su dispositivo.
- Lea la tabla: nombra cada carácter invisible encontrado, cuántas veces sale, y qué hace.
- Ajuste lo que quiera quitar, y después copie el resultado. Las casillas actúan al momento: el resultado se recalcula con cada cambio.
Formatos aceptados
Texto. Si su portapapeles lleva además un formato enriquecido, su navegador no lo pasa a una zona de texto: lo que llega aquí ya es texto sin formato, y así está muy bien.
Un texto, escrito o pegado
Hasta 200 000 caracteres. El resultado se copia con un clic.
Sus límites
La normalización de compatibilidad es DESTRUCTIVA, y no viene marcada
Convierte la ligadura «fi» en dos letras, la fracción «½» en «1/2», los exponentes en cifras normales, y los caracteres de anchura completa en caracteres normales. A veces es exactamente lo que se quiere antes de una comparación; a veces es una pérdida de información. El anexo Unicode que la define avisa expresamente de que no debe aplicarse a ciegas, y nosotros seguimos ese aviso.
En los selectores de variante distinguimos lo que está documentado de lo que solo está observado
Unicode documenta su uso previsto como un mecanismo de excepción para casos difíciles de visualización, y la herramienta los quita por ese motivo. Que se puedan esconder ahí datos arbitrarios es una técnica real, pero solo la hemos encontrado descrita en una entrada de blog de 2025, cuyo autor escribe él mismo que se trata de un uso desviado. Así que la presentamos como una observación, no como un hecho establecido por un editor: es la regla de este sitio.
Los identificadores de vulnerabilidad del ataque Trojan Source están DISPUTADOS
En 2021 se asignaron dos identificadores a la técnica de reordenación bidireccional. Los dos están marcados como disputados en la base pública: el consorcio Unicode rechaza el encuadre de «fallo de su especificación», y su argumento no es absurdo, porque esos caracteres hacen exactamente aquello para lo que se pensaron. La publicación de investigación, en cambio, es real y comprobable. Le damos las dos mitades del hecho.
El pegado de las palabras partidas al final de línea no viene marcado
Es muy útil en un texto copiado desde un PDF, donde la maquetación parte las palabras. Pero no puede distinguir una palabra partida de una palabra compuesta que cae al final de línea. Así que la herramienta solo pega entre dos letras minúsculas, cosa que respeta «París-Brest» y los números, y le deja a usted decidir si lo activa. Relea siempre después.
Preguntas sobre esta herramienta
¿Mi texto se envía a alguna parte?
No. Compruébelo en treinta segundos: abra el inspector con la tecla F12, pestaña «Red», vacíe la lista, y después pegue su texto. No aparece ni una línea. Corte su conexión y vuelva a hacerlo: la herramienta funciona igual, porque todo el catálogo de caracteres que usa está escrito dentro de la página.
¿Para qué sirven de verdad esos caracteres invisibles?
Para cosas legítimas, casi todas. El unidor de anchura cero monta un emoji de familia, las marcas de escritura sirven para mezclar árabe y español en una misma frase, y el guion condicional indica dónde se puede partir una palabra. El problema no es que existan, es que viajan con un texto copiado sin que nadie los vea: entonces rompen una búsqueda, una comparación o una importación, y uno se pasa una hora buscando. Y en un texto que le llega de alguien, también pueden servir de marca de agua invisible.
¿Qué es Trojan Source?
Una técnica publicada en 2021 por dos investigadores de la universidad de Cambridge. Los controles de escritura bidireccional reordenan lo QUE SE VE de un texto sin cambiar ni uno de sus bytes: un trozo de código puede por tanto leerse como una cosa y ejecutarse como otra, incluso dentro de la herramienta de revisión de un proyecto. Se asignaron dos identificadores de vulnerabilidad, los dos DISPUTADOS en la base pública, porque el consorcio Unicode se niega a ver ahí un fallo de su especificación. Las dos mitades del hecho son ciertas, y le damos las dos.
¿Hay que marcar la normalización de compatibilidad?
Solo si sabe para qué. Es muy útil antes de comparar dos textos o de importar datos, porque reduce variantes visuales al mismo carácter. Pero es destructiva: la ligadura «fi» se convierte en dos letras, la fracción «un medio» se convierte en tres signos, y un exponente se convierte en una cifra normal. El anexo Unicode que la define avisa de que no se aplique a ciegas. Para un texto pensado para leerse, deje la forma compuesta simple, que viene marcada.
¿Por qué mis comillas curvas no se convierten de entrada?
Porque son las comillas correctas para un texto pensado para leerse. Un procesador de textos las pone solo, y hace bien: tanto en español como en inglés, la tipografía cuidada las usa. Solo dan problemas en un contexto técnico, en un archivo de datos o en código, donde una comilla curva no es una comilla. Por eso la casilla existe, sin marcar: le toca a usted saber en qué mundo va a vivir su texto.
Un texto pegado transporta lo que nadie ve: caracteres de anchura cero, controles de escritura que invierten lo que se ve sin cambiar los bytes, espacios que no lo son. La herramienta los NOMBRA uno por uno, con su nombre oficial Unicode, y después los quita.
ComprobarLa prueba, paso a pasoLa comprobación con el inspector de red, explicada gesto a gesto y con capturas de pantalla.
El rincónEl rincón de los textos y los datosContar, comparar, dar formato, limpiar. Los gestos pequeños que cuestan una hora cuando no se tienen a mano.