Elysia Tools
Navegación
Workflow Playbook
Rompa texto limpio con intención — filtre, duplique e invierta frases y palabras, inyecte letras y símbolos aleatorios, desordene líneas y palabras, y demuestre que cada mutación queda bajo control para pruebas de estrés de parsers, ensayos de OCR y experimentos lingüísticos.
Temas
El texto sucio llega con su propio calendario. El formulario que sobrevive a un pegado desde una hoja de cálculo, la salida de OCR con una letra caída cada tercera palabra, el ticket de soporte con las líneas en desorden — las tuberías se topan con todo esto tarde o temprano. Este flujo va en la dirección contraria y con intención: toma un texto limpio que usted controla y lo daña en las formas que elige, para que un parser, un corrector o un experimento de lectura se juzguen contra daño documentado y no accidental. La diferencia con destrozar un archivo en un editor es la reproducibilidad — una corrupción que se puede regenerar es un activo de prueba, y una que no es solo un archivo roto.
Trabaje de grano grueso a fino. Las herramientas de frase reestructuran — filtre el corpus hasta las frases que el experimento necesita, elimine las que meten ruido en el material, duplique frases para un antes y después lado a lado e invierta frases para construir material espejo. Las herramientas de palabra perturban después el vocabulario y el orden sin tocar la estructura — filtre qué palabras debe soportar el parser, duplique palabras para ejercitar el manejo de repeticiones, invierta palabras para material tipo palíndromo e intercambie pares adyacentes para doblar la sintaxis conservando cada palabra. El ruido por caracteres llega al final e imita el mundo físico — las letras insertadas hacen de tecleos fallidos, las eliminadas de trazos caídos y los símbolos limpiados de basura de escáner. Saltarse niveles produce daño ruidoso pero sin sentido; un material mezclado dos veces y salpicado de símbolos aleatorios no prueba nada en particular.
Las herramientas aleatorias varían entre ejecuciones, y ese es el punto — pero la magnitud debe seguir siendo describible. Los insertadores deben aumentar el conteo de caracteres o palabras en una cantidad anunciada de antemano, los removedores reducirlo en la misma medida, y una mezcla cambiar el orden y nada más. Anote los ajustes de cada pasada, y cuando una prueba necesite material estable, genere la copia dañada una vez y archívela junto al original en lugar de regenerarla en cada ejecución. La herramienta compañera para todo esto es un diff — comparar la salida mutada contra el archivo intacto convierte "lo rompí" en "aquí se rompió exactamente esto, a propósito y con esta intensidad".
Las operaciones de aquí cambian contenido y orden, nunca limpieza — eliminar líneas vacías, ordenar una lista o envolver valores entre comillas pertenecen a los flujos de limpieza de listas y de envoltura con prefijos y sufijos, que preparan texto en lugar de dañarlo. Las estadísticas que describen el resultado — conteos de palabras, caracteres y frecuencia de patrones — vienen del flujo de análisis de texto, y el diff mismo del flujo de comparación de archivos y datos. La forense de caracteres Unicode sospechosos pertenece al flujo de depuración de emoji y caracteres. Respete esas fronteras y esta página seguirá siendo una sola cosa: la corrupción deliberada y documentada de un texto que empezó limpio.
Guía de flujo de trabajo
Reduzca el corpus a las frases que el experimento necesita, elimine las que introducen ruido, duplique frases para comparar lado a lado e invierta frases para construir material espejo.
Filtre el vocabulario que el parser debe soportar, duplique palabras para probar el manejo de repeticiones, invierta palabras para material tipo palíndromo e intercambie palabras adyacentes para alterar el orden sin perder ninguna.
Inserte letras aleatorias dentro de palabras y palabras aleatorias en posiciones aleatorias para imitar dedos torpes y relleno, elimine letras al azar para simular caracteres caídos y limpie símbolos sueltos para aproximar basura de escáner.
Aleatorice el texto por líneas, palabras o caracteres para comprobar la insensibilidad al orden, y registre los ajustes para regenerar el mismo daño, de modo que la mutación siga siendo un activo de prueba y no un accidente.
Las herramientas de frases y palabras cambian el texto de forma revisable y explicable, aptas para preparar corpus y experimentos de lectura, mientras que los inyectores aleatorios añaden daño impredecible, apto para pruebas de robustez — elija según lo que la prueba deba demostrar.
La mutación por frases reestructura, la de palabras altera vocabulario y orden, y la inyección por caracteres imita errores de tecleo y escaneo — la mayoría de las pruebas combinan dos de las tres, no las tres a la vez.
Filtros y removedores borran material y sirven cuando la tubería debe sobrevivir a contenido ausente; duplicadores, inversores y mezcladores conservan todo y solo reordenan o espejan — elija sin pérdida cuando el diff debe seguir siendo explicable.