| name | invisible_char_cleaner |
| description | 不可见字符清洗工具。移除零宽空格、BOM、软连字符、双向文本控制符、C0控制字符等 63 个码点
的不可见/干扰字符。当用户提到不可见字符、零宽空格、BOM 清除、控制字符清洗等需求时使用此skill。
|
| name_zh | 不可见字符清洗算子 |
| input_params | [{"name":"input_path","type":"string","required":true,"description":"输入文件路径"},{"name":"output_path","type":"string","required":true,"description":"输出文件路径"},{"name":"text_columns","type":"string","required":false,"description":"处理的文本列，逗号分隔"},{"name":"keep_format","type":"string","required":false,"description":"保留零宽连接符/非连接符（ZWJ/ZWNJ），用于阿拉伯文/梵文排版"}] |
| output_params | [{"name":"output_path","type":"csv_file","description":"清洗后的结构化数据文件"}] |
| tag | 数据清洗 |
| publisher | COMMUNITY |
invisible_char_cleaner 不可见字符清洗Skill
功能概述
移除 63 个不可见/干扰码点，分 6 大类：(1) BOM（U+FEFF）；(2) 零宽空格/词连接符；(3) 双向文本标记（LRM/RLM/嵌入/隔离）；(4) 软连字符；(5) C0 控制字符（保留 \t \n \r）；(6) 其他（韩文填充符、蒙古文分隔符、行/段分隔符等）。
触发条件
- 不可见字符清洗 / 零宽空格清除
- BOM 清除
- 控制字符清洗
- 文本底层字符清理
- 多来源数据预处理
核心参数说明
必需参数
| 参数 | 说明 |
|---|
--input_path | 输入 CSV/TSV/Excel 等结构化文件路径 |
--output_path | 输出清洗后文件路径 |
可选参数
| 参数 | 说明 | 默认值 |
|---|
--text_columns | 需要处理的文本列，逗号分隔；不填则处理全部字符串列 | 全部字符串列 |
--keep_format | 保留 ZWJ/ZWNJ 等格式控制字符 | False |
输入文件格式
输入为结构化表格，文本列可包含 BOM、零宽字符、软连字符、双向控制符等不可见字符：
id,text
1,"wordbreak and softhyphen"
支持的文件格式
- CSV (.csv) / TSV (.tsv) / Excel (.xls, .xlsx) / SPSS (.sav)
使用方法
python scripts/invisible_char_cleaner.py \
--input_path <输入文件> \
--output_path <输出文件> \
[--text_columns col1,col2] \
[--keep_format]
参数说明
| 参数 | 必填 | 说明 |
|---|
--input_path | 是 | 输入文件路径 |
--output_path | 是 | 输出文件路径 |
--text_columns | 否 | 处理的文本列 |
--keep_format | 否 | 保留 ZWJ/ZWNJ（阿拉伯文等需要） |
输出示例
[OK] 不可见字符清洗完成 -> output.csv
文本列: ['text']
清理码点数: 63 （含ZWJ/ZWNJ）
环境要求
使用仓库内 Python 环境运行，无额外第三方依赖；读取/写入复用共享 data_io。
注意事项
- ZWJ（）和 ZWNJ（）默认删除，阿拉伯文/梵文场景使用
--keep_format
- C0 控制字符保留 \t（制表符）、\n（换行）、\r（回车）
- 使用 translate 高速删除，不修改其他字符
