Remover espaços extras

Como usar Remover espaços extras

Espaços extras aparecem no texto por razões que raramente controlamos. Ao copiar de um PDF, o programa de extração frequentemente insere vários espaços onde havia um espaço tipográfico maior ou um tab. Ao colar de uma página HTML, o editor pode preservar espaços múltiplos que o navegador colapsaria automaticamente na renderização. Arquivos processados por OCR (reconhecimento óptico de caracteres) são especialmente propensos a isso: o algoritmo às vezes separa palavras com dois ou três espaços porque as letras estavam levemente afastadas na imagem digitalizada.

O que chamamos de espaço no texto digital é, na verdade, uma família inteira de caracteres Unicode. O espaço comum (U+0020) é o que você digita com a barra de espaço. O espaço não-quebrável (U+00A0) é o que alguns processadores de texto inserem automaticamente entre número e unidade de medida para evitar quebra de linha inconveniente. O espaço fino (U+2009) é usado em tipografia para separar grupos de dígitos em números grandes. Cada um desses espaços tem um código diferente e a maioria das ferramentas de trim e colapso trata apenas o U+0020 — o que significa que aquele espaço estranho que não some pode ser um dos outros tipos.

A decisão de colapsar espaços carrega consequências inesperadas em alguns contextos. Código-fonte em Python é sensível à indentação, então colapsar tabs e espaços no início das linhas quebraria o programa. Arquivos YAML e Makefile também usam espaços com significado estrutural. Para texto em prosa, a normalização é geralmente segura. Para trechos de código que precisem rodar, é necessário muito cuidado. Esta ferramenta foi pensada para texto — não para código.