文本处理是指利用自动化程序对文本数据进行一系列分析、清洗、转换和格式化的操作过程。主要目标是将原始的、非结构化的或半结构化的文本数据，转化为干净、规整、可供下游模型训练或数据分析任务直接使用的结构化数据。本文将为你介绍如何使用文本处理算子。

特定字符替换 #

针对特殊字符可以通过精确匹配或正则匹配的方式进行字符替换，替换为新字符。
应用场景
当从网页、爬虫、用户输入等渠道获取文本数据时，数据往往是 “脏数据”，必须清洗后才能使用，例如：

• 替换 URL、邮箱、手机号等无关字符为统一标识（如 [URL]），避免干扰语义分析。
• 替换特殊控制字符（如 \n、\t、\r、空格）为统一格式（比如单个空格）。
• 替换重复字符（如 “啊啊啊”→“啊”）、乱码字符（如 “�”），保证文本可读性。

操作说明
点击加号+，在可视化知识处理中增加文本处理>特殊字符替换算子。

HTML 标签移除 #

移除 <div>、<p>、<span>、<a> 等用于网页渲染的HTML标签，这些标签属于 “无意义噪声，可能导致分析/训练结果失真，保证文本数据的 “纯净性”，让模型只聚焦于文字本身的语义。
应用场景
爬取网页内容时，文本会夹杂 <p>、<div>、<br>、<a> 等 HTML 标签，这些标签对文本内容本身无意义，比如爬取新闻正文时，需要只保留纯文字内容。
操作说明
点击加号+，在可视化知识处理中增加文本处理>HTML标签移除算子。

• 操作字段：选择移除HTML标签的字段。
• 移除标签类型：选择在处理过程中需要移除的HTML标签类型，可选的标签类型包括：div、p、span、table、td、th、h1、h2、h4、form、button、img、input等。

哈希计算 #

计算文本的唯一标识，针对每条文本生成对应的md5哈希值。
应用场景
应用于检测重复文本，数据去重，减少重复数据的计算。
操作说明
点击加号+，在可视化知识处理中增加文本处理>哈希计算算子。

• 操作字段：选择要检测的字段。
• 哈希计算方式：单选，默认选择MD5，可选择sha256。

特殊字符移除 #

移除文本中的标点符号、重复标点符号、emoji表情等

操作说明
点击加号+，在可视化知识处理中增加文本处理>字符移除算子。

• 操作字段：选择要检测的字段。
• 移除字符：选择表情符号、标点符号、重复标点符号等，重复标点符号就是例如把“！！！”变成“！”。