Hvorfor brækker tekst kopieret fra en PDF over ved hver linje

Tekst kopieret fra en PDF brækker over ved hver linje, fordi en PDF ikke gemmer afsnit. Den gemmer hver synlig linje som en separat tekstdel placeret på en fast position på siden. Når du kopierer, må programmet gætte, hvor en sætning egentlig slutter. De fleste programmer gætter ved at indsætte et linjeskift, hvor den oprindelige linje sluttede, og dit afsnit falder fra hinanden i snesevis af korte linjer.

Ret indsat tekstIndsat tekst har brudte linjerPrøv gratis

Hvorfor PDF'er knækker afsnit

En tekstbehandler gemmer et afsnit som én lang tekst, og layoutmotoren bryder den over til sidens bredde, når den tegner den. En PDF virker omvendt. Den minder mere om en række tegneinstruktioner: skriv denne streng ord her, og den næste streng dér. Linjeombrydningen blev bestemt, da filen blev lavet, og filen gemmer linjernes positioner frem for afsnitsstrukturen.

Når du markerer og kopierer, skal modtageren genskabe et tekstforløb ud fra disse positioner. Mange programmer indsætter et linjeskift ved hver synlig linjeende, og de kan ikke altid skelne en linjeende midt i en sætning fra et rigtigt afsnitsskift. Resultatet ser rigtigt ud på siden og forkert ud i et tekstfelt.

Tre andre ting gør det værre:

• Linjeender med bindestreg. Et ord, der deles som "inter-" i slutningen af en linje og "national" i starten af den næste, kopieres som to stykker med et skift imellem. Nogle programmer beholder bindestregen, andre fjerner den, og nogle lader skiftet stå.
• Spalter. Tolspaltelayouts kan kopiere hele venstre spalte først og derefter højre, eller de kan blande linjer fra begge spalter i ét forløb.
• Sidehoveder, sidefødder og sidetal. De kopieres midt inde i en sætning, når et afsnit går over et sideskift.

Løsningen

Rettelsen er en kort række regler, der anvendes i rækkefølge:

1. Sammenføj linjer, der ikke afslutter en sætning. Hvis en linje slutter med et lille bogstav, et komma eller et ord uden punktum, fortsætter næste linje næsten altid.
2. Behold et skift, hvor originalen havde et afsnitsmellemrum. En linje, der slutter med punktum, spørgsmålstegn eller kolon, og efterfølges af en kort eller indrykket linje, starter ofte et nyt afsnit.
3. Fjern en bindestreg i en linjeende kun, når den deler ét ord. "inter-" plus "national" bliver til "international". Et rigtigt sammensat ord som "veletableret" skal dog skrives med bindestreg, hvis det er "vel-" plus "etableret", så kontrollér det sammensatte ord i forhold til sætningen.
4. Slet gentagne sidehoveder, sidefødder og sidetal, der står én gang på hver side.

Her er et gennemarbejdet eksempel. Sådan ser en kopi ofte ud:

The committee met on Tuesday to review
the budget. Three members asked for more
time, and the chair agreed to a short delay.

Efter at have sammenføjet de linjer, der fortsætter en sætning, lyder det sådan:

The committee met on Tuesday to review the budget. Three members asked for more time, and the chair agreed to a short delay.

Indsæt kopien i ret indsat tekst, så sammenføjningerne er klaret på én gang. Kontrollér derefter for usynlige tegn, der fulgte med kopien. Fjern skjulte tegn viser, hvad den finder, før den ændrer noget, og guiden om skjulte tegn forklarer, hvor de kommer fra.

Spalter og tabeller

Spalter er det ssværeste tilfælde. Den sikreste fremgangsmåde er at markere én spalte ad gangen i stedet for at trække over begge. Hvis PDF'en har én læserækkefølge, kan du kopiere hele siden én gang og derefter kontrollere første og sidste linje i hver spalte. Hvis ordene fra de to spalter er blandet sammen, må du kopiere i dele.

Tabeller er værre. En tabel kopieret fra en PDF kommer ofte ud med én celle pr. linje, så du må selv genopbygge rækkerne eller indsætte i et regneark med en tabulator eller en fast skilletegn. Ved en tabel med mere end nogle få rækker er det hurtigere at bruge et værktøj til udtrækning af tekst, der bevarer kolonnerne, og derefter rense resultatet.

Når PDF'en er en scanning

Hvis PDF'en er en scanning, er der ingen tekst at kopiere. Hver side er et billede, så det, du ser, er alt, der findes. Du har brug for optisk tegngenkendelse (OCR) først. Lav et billede af siden, og læs det derefter med billede til tekst-værktøjet, som kører i din browser. OCR giver sine egne fejl, for eksempel at "rn" læses som "m" eller "0" som "O", så kontrollér den genkendte tekst mod originalen, før du stoler på den. Guiden til skærmbilleder og fotos forklarer, hvordan du får en renere aflæsning.

Særlige tilfælde

• Digte, kode og adresser har linjeskift, der betyder noget. Sammenføj kun de linjer, der tydeligvis er brudt over, og lad resten være.
• Et blødt linjeskift (en ombrydning) og et hårdt linjeskift (et rigtigt afsnit) kan se helt ens ud, når de er kopieret. Læs det første afsnit efter oprydningen, og ret de sammenføjninger, der ser forkerte ud.
• Hvis den rensede tekst ikke matcher, når du søger efter et ord, du kan se, har kopien sandsynligvis taget usynlige tegn med. Sammenlign kopien med originalen for at finde forskellene.
• Hvis du skal bevare den oprindelige layout, så indsæt i et dokumentredigeringsprogram med en mulighed for "indsæt som ren tekst" i stedet for at rense i hånden.

Sådan gør du med fixmint

1. Kopiér teksten fra PDF'en, eller kør PDF til tekst for at få teksten ud af filen først.
2. Indsæt den under Indsat tekst i værktøjet ret indsat tekst.
3. Behold Sammenføj brudte linjer inde i afsnit og Sammenføj ord delt af en bindestreg i linjeende markeret, som de er som standard. Markér Ret buede anførselstegn, hvis teksten kommer fra en tekstbehandler, og Fjern linjer, der kun er et sidetal, hvis kopien indeholder sidetal.
4. Læs første og sidste linje i hvert afsnit. Værktøjet fjerner linjer med sidetal, men ikke gentagne sidehoveder eller sidefødder, så slet dem selv.
5. Kopiér resultatet, eller brug Download .txt.

Hurtige svar

Hvorfor har kopieret PDF-tekst et linjeskift ved hver linje?

En PDF gemmer hver synlig linje som en separat, positioneret tekstdel, så kopien beholder linjeenderne. Løsningen er at sammenføje linjer, der fortsætter en sætning, og kun beholde skift ved rigtige afsnitsmellemrum.

Hvordan stopper jeg ord med bindestreg i at deles?

Fjern kun bindestregen, hvor de to dele danner ét ord, for eksempel "inter-" og "national". Behold den i rigtige sammensatte ord som "veletableret", som du kan kontrollere mod sætningen.

Kan jeg kopiere en tabel fra en PDF over i et regneark?

Ofte, men som regel kun med en tabulatorsepareret eller fast bredde-kopi. Ved tabeller med mange rækker er et værktøj til udtrækning af tekst, der bevarer kolonnerne, hurtigere end at rette hver celle.