Tekst Schoonmaker

Wat deze tool wel en niet doet

Wel

• Onzichtbare Unicode-tekens uit tekst halen die meelekken bij kopiëren en plakken.
• Metadata uit afbeeldingen wissen, inclusief locatiegegevens en camera-informatie.
• Auteur, bedrijf en programma van herkomst uit Word-documenten en PDF’s leeghalen.
• Alles lokaal verwerken. Er gaat geen enkel bestand naar een server.

Niet

• Zichtbare logo’s of watermerken uit afbeeldingen weghalen.
• Statistische watermerken verwijderen die in de woordkeuze zelf zitten. Die zitten niet in losse tekens en verdwijnen alleen als de tekst herschreven wordt.
• Beeldwatermerken zoals SynthType of C2PA-provenance die in de pixels verweven zijn.

Waarom die tekens er überhaupt in zitten

Meestal zonder dat iemand het merkt. Kopieer je tekst uit een pdf, uit Word, uit een chatvenster of van een website, dan komen er tekens mee die daar voor de opmaak stonden. Een harde spatie zorgt dat een getal niet van zijn eenheid afbreekt. Een zacht afbreekstreepje vertelt de zetter waar hij mag knippen. In een pdf hebben die tekens een functie. In een e-mail, een formulier of een database hebben ze die niet meer, en dan zijn ze alleen nog lastig.

Het wordt vervelend zodra er een computer meekijkt. Een zoekopdracht op een naam met een harde spatie erin vindt niets. Een import in je boekhouding struikelt over een byte order mark aan het begin van het bestand. Twee regels die er identiek uitzien worden als verschillend gezien. Dat kost een middag zoeken naar iets wat je niet kunt zien.

De valkuil met emoji

Eén van die onzichtbare tekens is de zero width joiner. Die plakt losse tekens aan elkaar tot één beeld. Een familie is niet één emoji maar vier poppetjes met joiners ertussen. De regenboogvlag is een witte vlag plus een regenboog, aan elkaar gehouden door een joiner en een variation selector. De vlag van Engeland bestaat uit een zwarte vlag met zes onzichtbare lettertekens erachter.

Verwijder je die zonder na te denken, dan valt de emoji uit elkaar en staat er ineens een rij losse poppetjes in je tekst. Deze tool kijkt daarom naar wat er links en rechts van zo’n teken staat. Zitten er emoji omheen, dan blijft het staan. Zit het tussen gewone letters, wat bijna altijd betekent dat iemand het daar heeft verstopt, dan gaat het eruit.

Wat er met je bestanden gebeurt

Bij een afbeelding wordt het beeld opnieuw op een canvas getekend en van daaruit opgeslagen. Alles wat niet in de pixels zit gaat daarmee verloren, dus ook de gps-coördinaten, het cameramerk en de bewerkingsgeschiedenis. Bij een Word-document worden de eigenschappenbestanden leeggemaakt en wordt de tekst binnenin dezelfde behandeling gegeven als geplakte tekst. Bij een pdf worden titel, auteur, onderwerp, trefwoorden en het programma van herkomst gewist.

Dat gebeurt allemaal in je eigen browser. Je bestand wordt niet geüpload en er is geen server die het te zien krijgt. Je krijgt een nieuw bestand terug met -schoon in de naam, zodat je origineel blijft staan.

Hoe je dit met de hand zou doen

In een editor als VS Code of Sublime kun je zoeken op een code point. Je zet regex aan, zoekt op de reeks die je kwijt wilt en vervangt hem door niets. Dat werkt, maar je moet wel weten welke tekens je zoekt, en de lijst is langer dan je denkt. Bovendien loop je precies tegen die emoji-valkuil aan, want een zoek en vervang kijkt niet naar wat ernaast staat.

Voor metadata heb je losse gereedschappen nodig. Exiftool voor afbeeldingen, de documenteigenschappen in Word, en voor een pdf meestal een aparte tool. Drie programma’s voor één handeling. Daarom staat dit hier op één pagina.