Removedor de Diacríticos

Como a remoção funciona

A ferramenta aplica primeiro a decomposição canônica do Unicode (NFD), que separa é na letra base e (U+0065) e no acento agudo combinante (U+0301). Depois, remove as marcas combinantes que vêm após cada letra latina e recompõe o texto, a mesma regra usada pela transformação “Latin-ASCII” do CLDR. As letras que a decomposição não separa, como ß, æ, ø, ł, đ e o ı sem ponto do turco, são substituídas pela grafia simples que essa transformação dá: ss, ae, o, l, d e i. Uma maiúscula que vira duas letras se ajusta ao resto da palavra: Æsir vira Aesir e ÆSIR vira AESIR.

Os outros alfabetos mantêm suas letras. O grego perde acentos, espíritos e tremas. O russo e as outras línguas escritas em cirílico perdem os acentos tônicos, e ё vira е; й, ў e ї ficam, porque são letras próprias. O árabe perde os sinais de vogal breve, a shadda e o sukun, enquanto a hamza e a madda ficam, porque formam letras como أ e آ. O hebraico perde os pontos vocálicos e os sinais de cantilação. Chinês, japonês, coreano, tailandês, hindi e outros sistemas de escrita ficam como estão, assim como os emojis.

Três opções mudam o resultado:

• ä, ö e ü como ae, oe e ue. A grafia que o alemão usa quando as letras com trema não estão disponíveis: Müller vira Mueller em vez de Muller.
• Grego e cirílico em letras latinas. O grego segue o sistema das Nações Unidas (ELOT 743), então Αθήνα vira Athina; o cirílico segue a tabela de passaportes do documento 9303 da OACI na forma russa, então Щука vira Shchuka. As letras sem grafia latina nessas tabelas ficam como estão, e a ferramenta as lista.
• Letras para manter. Digite ç para tirar todos os acentos menos a cedilha do ç, ou ё para mantê-lo em um texto russo. As marcas adicionadas sobre uma letra mantida saem mesmo assim: com ê mantido, os vietnamitas ế e ệ viram ê.

Tabela de mapeamento de caracteres

Casos de uso comuns

• Slugs de URL. “El niño” se torna “el-nino” após a remoção e conversão para minúsculas.
• Nomes de arquivos. Serviços de armazenamento em nuvem e alguns servidores FTP legados distorcem nomes de arquivos não-ASCII; remova primeiro, faça upload depois.
• Importações CSV em sistemas legados. Qualquer banco de dados com codificação Latin-1 (Windows-1252) lidará mal com caracteres UTF-8 de múltiplos bytes; a remoção evita a corrupção.
• Campos pesquisáveis. Armazenar uma versão sem diacríticos ao lado da original permite que os usuários encontrem “naive” quando a linha diz “naïve”.

Atenção: é uma viagem de mão única

Remover “naïve” resulta em “naive”; você não pode recuperar o umlaut automaticamente porque a linguagem é perdida. Mantenha a versão original ao lado da versão removida quando ambas podem ser necessárias.