从网上下来的小说 TXT，打开之后常常不太对劲：章节对不上、满屏奇怪的字、明明有这个词却搜不到、每行只有几十个字。
这不是一种问题，是五种，而且它们的可修复性差别很大——有的能无损修好，有的修了有风险，有的只能重新下载。
一、编码链断了
这一类要分成两种，因为处理方式完全相反。
能修的：字节还在，只是解释错了
表现是满屏「锟斤拷」「烫烫烫」或者一堆莫名其妙的汉字。原因是文件是用 GBK 存的，而你的阅读器按 UTF-8 打开（或者反过来）。
原始字节一个都没丢，换个编码重新解释就恢复了。
修不了的：字节已经没了
表现是正文里出现 �（U+FFFD，替换字符）。
它意味着：在你拿到这个文件之前，上一手已经用错误的编码解码过一次，并且重新保存了。 解码时遇到解不出的字节，就统一替换成这一个字符。
原始字节 → 错误解码 → 遇到解不出的 → 全部变成 � → 重新保存几百个不同的字节都变成了同一个 �，没有任何信息能把它们区分开。这是一个有损且不可逆的操作，任何工具都还原不回来。
所以拿到一份小说，先搜一下有没有 �。 有就别修了，回源站重新下载。TXT 小说整理 把「乱码残字」的个数单独统计出来，就是为了给这个判断一个明确的信号。
编码识别和乱码形态的完整讲解，见 乱码的几种形态与恢复。
二、零宽字符
一批宽度为零、完全看不见的字符：U+200B（零宽空格）、U+200C、U+200D、U+FEFF。
它们出现在正文里，多数是被有意插进去的：
- 反抓取 —— 随机插入零宽字符，别人整段复制走的文本和原文不完全一致，便于追溯来源
- 反检索 —— 在词的中间插一个，搜索引擎和阅读器的查找功能就匹配不到这个词
- 少数是编辑工具无意带入的
对读者的影响很具体：
- 在阅读器里搜不到明明存在的词——这是最气人的一条
- 复制出来的句子和原文对不上
- 字数统计偏大
删除是完全安全的：它们不承载任何可见内容，去掉之后正文一个字都不会变。这也是这一项默认开启的原因。
同类问题在普通文本里的表现（BOM、零宽空格），见 文本里看不见的字符。
三、抓取失败：缺章、空章、重复章
这三样常常一起出现，因为它们是同一个过程的不同结果。
抓取一本连载小说通常是按目录逐页请求。这个过程里：
| 发生了什么 | 结果 |
|---|---|
| 某一页请求失败且没重试 | 缺章 |
| 请求成功但内容没加载出来 | 空章（正文只有几个字） |
| 失败后重试，前一次的结果也被写入了 | 重复章 |
| 并发抓取，写入顺序乱了 | 序号回退（第 12 章后面跟着第 9 章） |
所以一本书如果同时有缺章和重复章，基本可以断定是抓取脚本的问题，而不是源站缺内容。
怎么判断缺章是真是假，有两种典型的误报：
- 分卷小说：很多书每卷都从「第一章」重新开始，全书拉通算序号会炸出一大堆假缺口。必须按卷分别计算
- 正则匹配到了正文：正文里出现「他翻到第三章」这样的句子被当成标题，序号就乱了
判断方法：
- 算出来的缺口比章节总数还多 → 几乎肯定是序号识别不可靠
- 缺口集中在连续的一段 → 多半是真的抓取失败
- 缺口零散且数量很大 → 多半是识别出了问题
序章、楔子、引子、番外、后记本来就没有序号，不参与计算。
四、盗版站的广告水印
每章末尾的「请记住本站」「最新章节请访问」、分隔线、网址行、二维码提示。
这一类是整行插入的，所以按行删除很干净，误删了在对照视图里也一眼能看出来。风险低，默认开启。
要注意的是规则要按站点补：不同站点的水印文案不一样，默认规则覆盖不到的，自己加一条正则即可。
五、硬换行
打开发现每行只有三四十个字，一句话被切成好几行。
这是早期 TXT 阅读器和打印排版留下的习惯——那时候的阅读软件不会自动折行，所以文本文件在生成时就按固定宽度断好了。
合并规则：一行没有以句号、问号、引号这类终止标点结尾，就和下一行接起来。章节标题和空行是硬边界。
什么时候不该开：
- 原文本来就是一段一行，而某些段落恰好以破折号或省略号结尾
- 诗词、歌词、书信格式——本来就是短行分列
- 对话密集的段落
怎么判断需不需要开：随便翻几页。每行长度都差不多且明显偏短，是硬换行；行长参差不齐、有长有短，那是正常段落。
可修复性对照
| 损坏 | 可修复性 | 说明 |
|---|---|---|
| 编码解释错误（锟斤拷） | ✅ 无损修复 | 换编码即可，字节没丢 |
| 零宽字符 | ✅ 无损修复 | 不承载可见内容 |
| 行尾空白、连续空行 | ✅ 无损修复 | 纯格式 |
| 广告水印行 | ✅ 整行删除 | 误删一眼可见 |
| 硬换行 | ⚠️ 有风险 | 可能误并诗词、对话 |
| 标点全半角、缩进统一 | ⚠️ 有风险 | 逐字改动正文 |
| 缺章、空章 | ❌ 不可修 | 内容本来就没下下来 |
| 乱码残字 � | ❌ 不可修 | 字节已丢失 |
这张表也解释了为什么清理类操作默认开、改写类默认关：
你手里没有原件可以对照。 删错一行，在左右对照里划着线一眼能看出来；而把「Windows 3.1」改成「Windows 3。1」这种误伤，是散在几百万字里的，默认开了根本不会有人发现。
拿到一本书的处理顺序
- 先体检 —— 看缺章、重复章、空章、乱码残字的数量。有 � 或缺章严重，直接重下，后面都不用做了
- 确认编码 —— 探测不对就手工切换，看正文是否正常
- 开清理类 —— 去广告、去零宽、清行尾空白、压空行。风险低
- 按需开改写类 —— 硬换行、标点、缩进。开之前先在对照视图里抽查几段
- 导出 —— 还要继续用 TXT 就导 UTF-8（给 Windows 记事本看的加 BOM）；想要带目录能跳转的电子书，转 TXT 转 EPUB
第 5 步的选择值得多说一句：TXT 没有目录结构，章节跳转全靠阅读器自己猜。整理干净之后再转 EPUB，章节识别的准确率会高很多——两边用的是同一份章节正则。转换时的章节识别和目录生成，见 TXT 转 EPUB 的章节识别。