Eliminar caracteres no ASCII

Los sistemas heredados, los protocolos serie, los exportadores CSV y los relés de correo exigentes siguen fallando cuando un solo emoji, una comilla tipográfica o una letra acentuada entra en un campo que tratan como ASCII de siete bits. Esta herramienta para eliminar caracteres no ASCII toma cualquier cadena no vacía, pliega los acentos latinos a sus bases planas y después borra todo carácter restante fuera del rango ASCII, de modo que el resultado es texto limpio de siete bits. Desaparecen emoji, CJK, signos de moneda y símbolos tipográficos; café pasa a cafe; el ASCII ya plano se devuelve sin cambios.

Cómo funciona por dentro la eliminación de no ASCII

Quitar lo no ASCII es un pipeline determinista breve, no una conjetura de locale ni una reescritura por aprendizaje automático. Primero el motor aplica la forma de normalización Unicode D, que separa la letra base de sus marcas diacríticas combinantes: é pasa a e más un agudo combinante, ñ a n más una tilde combinante y ü a u más una diéresis combinante. Segundo, se elimina toda marca combinante en los rangos habituales, dejando las bases latinas del europeo occidental y central y de muchas letras vietnamitas con tono.

Tercero, una tabla fija de transliteración reescribe letras que sobreviven a NFD sin volverse ASCII: formas nórdicas e islandesas como ø, æ, ð y þ; la ese afilada alemana; ligaduras francesas y latinas œ; letras polacas y eslavas con trazo como ł y đ; y algunas bases maltesas y vietnamitas con cuerno. La tabla conserva mayúsculas cuando existen ambos casos, de modo que Æ pasa a AE y ß a ss.

Cuarto, un único recorrido conserva solo los puntos de código de U+0000 a U+007F y descarta el resto: emoji, CJK, cirílico, árabe, signos de moneda, comillas curvas, rayas largas y símbolos sobrantes. Letras ASCII, dígitos, puntuación, espacios, tabulaciones y saltos de línea conservan su orden original. El algoritmo informa cuántos puntos no ASCII restantes se borraron y si la cadena cambió.

Las cadenas vacías fallan la validación antes de cualquier transformación. Como la ruta es puro parse sobre cadenas, la latencia se mantiene submilisegundo en formularios típicos y el modelo de coste publicado es analítico, no basado en tokens de modelo.

Qué envía usted y qué recibe de vuelta

Envíe un único campo obligatorio llamado text con la cadena no vacía que desea dejar en ASCII. Comprobaciones clásicas: Café pasa a Cafe, naïve a naive, São Paulo a Sao Paulo, Straße a Strasse, y una cadena como Hello, café 🎉 pasa a Hello, cafe con el emoji desaparecido. El ASCII ya plano como ABC-123 vuelve igual, changed es false y removed es cero, útil como detector de no-op en guardas ETL.

El motor no colapsa espacios sobrantes tras un símbolo borrado, no cambia mayúsculas y no inventa grafías latinas para cirílico o CJK: esos sistemas de escritura se eliminan. Esa es la intención de esta página: ASCII de siete bits para sistemas heredados, no un transliterador completo.

Dónde aparece esta herramienta en el trabajo real

Los equipos de operaciones pegan volcados de consola, fragmentos de tickets y nombres de archivo de proveedores que recogen emoji, comillas tipográficas o signos de moneda del chat y el correo, y necesitan un campo que acepte un mainframe, un terminal POS o un salto SMTP de siete bits. Los ingenieros de datos que limpian exportaciones CRM y cargas de almacén suelen forzar columnas de texto libre a ASCII antes de unir por claves blandas o escribir archivos para herramientas que aún asumen Latin-1 o incluso 7 bits.

Editores de CMS y publicadores limpian títulos pegados que se ven bien en pantalla pero llevan rayas tipográficas y restos CJK que rompen consumidores RSS antiguos o reglas de nombre de archivo. Los equipos de producto convierten nombres visibles a alternativas ASCII cuando un proveedor posterior rechaza cualquier cosa fuera de 0x00–0x7F, y aún así quieren que José pase a Jose y no a Js. Esta página no es la misma búsqueda que quitar acentos del texto: esa hermana conserva emoji y CJK y solo pliega diacríticos.

Tampoco es eliminar caracteres de control, que conserva Unicode imprimible y solo borra códigos C0/C1. Si más adelante necesita slugs URL con guiones, plegado de mayúsculas o romanización fonética de sistemas no latinos, trátelos como landings distintas. Mantenga las peticiones bajo el tope de longitud documentado, fije la cadena result en las pruebas y obtendrá ASCII reproducible sin montar una biblioteca de codificación propia.