文本清洗

从网上抓下来的文本、访谈转录稿、混排文档，往往夹杂着 HTML 标签、多余标点、emoji、零宽字符和各种噪声。这些杂质不影响人眼阅读，但会严重干扰词频统计、主题建模、情感分析等下游任务的准确性。文本清洗工具解决的就是这个问题：把脏文本变成干净的、可直接喂给分析工具的标准输入。

标点处理支持按类别精细控制：句末标点、停顿标点、括号引号、连接符可以分别勾选保留或删除，全半角自动统一，连续重复标点自动合并。开启强力清理后自动剥离 HTML 标签并仅保留中文内容，一步到位处理爬虫数据。停用词支持内置词表和自定义词表两种方式。

长文本可按 20～500 字的滑动窗口自动切分为等长片段，解决 LDA、BERTopic 等主题模型对输入段落长度敏感的问题。可设置过短行阈值，过滤掉不足指定字数的碎片行。支持 TXT 和 CSV 两种输入格式，CSV 自动识别文本列进行处理。

结果页展示三个维度的清洗效果：处理概览（文件数、行数、空行数、分割片段数）、字符统计（原始字符、清理后字符、删除比率）、原文与清洗后对照预览（被删除内容红色高亮标注），一眼判断清洗是否到位。所有结果可打包下载。