Proč text zkopírovaný z PDF končí zalomením na každém řádku

Text zkopírovaný z PDF se láme na každém řádku, protože PDF neukládá odstavce. Ukládá každý viditelný řádek jako samostatný úsek textu umístěný na pevné pozici na stránce, takže program při kopírování musí odhadnout, kde věta skutečně končí. Většina programů odhaduje tak, že vloží zalomení tam, kde původní řádek skončil, a váš odstavec se rozpadne na desítky krátkých řádků.

Oprava vloženého textuVložený text má zalomené řádkyVyzkoušet zdarma

Proč PDF rozbíjí odstavce

Textový editor ukládá odstavec jako jeden dlouhý úsek textu a při vykreslení jej zalamuje podle šířky stránky. PDF funguje opačně. Je spíš sadou kreslicích instrukcí: tento řetězec slov sem, další řetězec tam. Zalamování řádků bylo určeno při vzniku souboru a soubor si uchovává pozice řádků, nikoli strukturu odstavce.

Když text označíte a zkopírujete, musí program textový tok z těchto pozic znovu složit. Mnoho programů vloží zalomení na konec každého viditelného řádku a nedokáže vždy rozlišit konec řádku uprostřed věty od konce skutečného odstavce. Výsledek na stránce vypadá správně, ale v textovém poli špatně.

Situaci zhoršují tři další věci:

• Řádky dělené pomlčkou. Slovo rozdělené na „mezi-“ na konci jednoho řádku a „národní“ na začátku dalšího se zkopíruje jako dva kusy s zalomením mezi nimi. Některé programy pomlčku ponechají, jiné ji odstraní a jiné zalomení zachovají.
• Sloupce. U dvousloupcových rozvržení se může zkopírovat nejprve celý levý sloupec a pak pravý, nebo se řádky obou sloupců proloží v jednom úseku.
• Záhlaví, zápatí a čísla stránek. Při přechodu odstavce přes zlom stránky se vkládají doprostřed věty.

Oprava

Oprava je krátký postup pravidel, který se aplikuje v tomto pořadí:

1. Spojte řádky, které neukončují větu. Pokud řádek končí malým písmenem, čárkou nebo slovem bez tečky, následující řádek na něj téměř vždy navazuje.
2. Ponechte zalomení tam, kde byla v originále mezera mezi odstavci. Řádek, který končí tečkou, otazníkem nebo dvojtečkou, a za nímž následuje krátký nebo odsazený řádek, často začíná nový odstavec.
3. Odstraňte pomlčku na konci řádku jen tehdy, když rozděluje jedno slovo. „mezi-“ a „národní“ dají „mezinárodní“. Běžné složené slovo jako „dobře-“ a „známý“ by mělo zůstat jako „dobře známý“ nebo „dobře-známý“, proto joined slovo ověřte podle věty.
4. Smažte opakovaná záhlaví, zápatí a čísla stránek, která se objevují jednou na každé stránce.

Názorný příklad. Takto často vypadá zkopírovaný text:

Výbor se v úterý sešel, aby projednal
rozpočet. Tři členové požadovali více
času a předseda souhlasil s krátkým odkladem.

Po spojení řádků, které pokračují ve větě, text vypadá takto:

Výbor se v úterý sešel, aby projednal rozpočet. Tři členové požadovali více času a předseda souhlasil s krátkým odkladem.

Vložte kopii do nástroje oprava vloženého textu a spojení proběhne v jednom průchodu. Potom zkontrolujte neviditelné znaky, které se při kopírování mohly zkopírovat. Odstranit skryté znaky ukáže, co našel, dřív než cokoli změní, a průvodce skrytými znaky vysvětluje, odkud se berou.

Sloupce a tabulky

Sloupce jsou nejtěžší případ. Nejbezpečnější je označit vždy jeden sloupec, ne táhnout přes oba. Pokud má PDF jediné čtecí pořadí, zkopírujte celou stránku jednou a poté zkontrolujte první a poslední řádek každého sloupce. Pokud jsou slova z obou sloupců promíchaná, budete muset kopírovat po částech.

Tabulky bývají horší. Tabulka zkopírovaná z PDF často vyjde jako jedna buňka na řádek, takže řádky musíte sestavit sami, nebo vložit do tabulkového procesoru s tabulátorem či pevným oddělovačem. U tabulky s více než několika řádky je rychlejší použít nástroj pro extrakci textu, který sloupce zachová, a výsledek pak vyčistit.

Když je PDF sken

Pokud je PDF sken, žádný text ke kopírování není. Každá stránka je obrázek, takže vidíte vše, co je k dispozici. Nejprve potřebujete optické rozpoznávání znaků (OCR). Stránku uložte jako obrázek a přečtěte ji nástrojem obrázek na text, který běží ve vašem prohlížeči. OCR přináší vlastní chyby, například „rn“ načtené jako „m“ nebo „0“ jako „O“, proto rozpoznaný text před použitím porovnejte s originálem. Průvodce screenshoty a fotkami popisuje, jak získat čistší přečtení.

Okrajové případy

• Básně, kód a adresy mají zalomení řádků, na kterých záleží. Spojujte jen řádky, které jsou zjevně zalomené, a zbytek nechte být.
• Měkký zalom (zalomení kvůli šířce) a tvrdý zalom (skutečný odstavec) mohou po zkopírování vypadat stejně. Přečtěte si první odstavec po vyčištění a opravte spojení, která vypadají špatně.
• Pokud se vyčištěný text při hledání slova, které na stránce vidíte, nenajde, kopie pravděpodobně přinesla neviditelné znaky. Porovnejte kopii s originálem a najděte rozdíly.
• Pokud potřebujete zachovat původní rozvržení, vložte text do editoru dokumentů s možností „vložit jako prostý text“ místo ručního čištění.

Jak to udělat s fixmint

1. Zkopírujte text z PDF, nebo nejprve spusťte PDF na text, abyste jej ze souboru získali.
2. Vložte jej do pole Vložený text v nástroji oprava vloženého textu.
3. Ponechte zaškrtnuté Spojit zalomené řádky uvnitř odstavců a Znovu spojit slova rozdělená pomlčkou na konci řádku, jak jsou ve výchozím nastavení. Zaškrtněte Narovnat zakřivené uvozovky, pokud text pochází z textového editoru, a Odstranit řádky, které obsahují jen číslo stránky, pokud kopie obsahuje čísla stránek.
4. Přečtěte si první a poslední řádek každého odstavce. Nástroj maže řádky s číslem stránky, ale opakovaná záhlaví nebo zápatí neodstraní, takže ta smažte ručně.
5. Zkopírujte výsledek, nebo použijte Stáhnout .txt.

Rychlé odpovědi

Proč má zkopírovaný text z PDF zalomení na každém řádku?

PDF ukládá každý viditelný řádek jako samostatný úsek textu s pozicí, takže kopie si zachová konce řádků. Oprava spočívá ve spojení řádků, které pokračují ve větě, a v ponechání zalomení jen na skutečných mezerách mezi odstavci.

Jak zabráním tomu, aby se slova dělila pomlčkou?

Pomlčku odstraňte jen tehdy, když obě části tvoří jedno slovo, například „mezi-“ a „národní“. U skutečných složených slov, jako je „dobře známý“, ji ponechte a ověřte ji podle věty.

Mohu zkopírovat tabulku z PDF do tabulkového procesoru?

Často ano, ale obvykle jen s kopií oddělenou tabulátorem nebo s pevnou šířkou sloupců. U tabulek s mnoha řádky je rychlejší nástroj pro extrakci textu, který sloupce zachová, než opravovat každou buňku zvlášť.