Γιατί το κείμενο από PDF σπάει σε κάθε γραμμή

Το κείμενο που αντιγράφεται από PDF σπάει σε κάθε γραμμή επειδή ένα PDF δεν αποθηκεύει παραγράφους. Αποθηκεύει κάθε ορατή γραμμή ως ξεχωριστό κομμάτι κειμένου, τοποθετημένο σε σταθερή θέση στη σελίδα. Όταν αντιγράφετε, το πρόγραμμα πρέπει να μαντέψει πού τελειώνει πραγματικά μια πρόταση. Τις περισσότερες φορές η μάντεψη γίνεται με αλλαγή γραμμής εκεί όπου τελείωνε η αρχική γραμμή, και η παράγραφος διαλύεται σε δεκάδες σύντομες γραμμές.

Διόρθωση επικολλημένου κειμένουΚείμενο με σπασμένες γραμμέςΚάντε το δωρεάν

Γιατί τα PDF σπάνε τις παραγράφους

Ένας επεξεργαστής κειμένου αποθηκεύει μια παράγραφο ως ένα μεγάλο κομμάτι κειμένου, και η μηχανή διάταξης το αναδιπλώνει στο πλάτος της σελίδας όταν το σχεδιάζει. Το PDF λειτουργεί αντίστροφα. Μοιάζει περισσότερο με σύνολο οδηγιών σχεδίασης: βάλε αυτή τη σειρά λέξεων εδώ, βάλε την επόμενη εκεί. Η αναδίπλωση των γραμμών αποφασίστηκε όταν δημιουργήθηκε το αρχείο, και το αρχείο κρατά τις θέσεις των γραμμών και όχι τη δομή της παραγράφου.

Όταν επιλέγετε και αντιγράφετε, το πρόγραμμα πρέπει να ξαναχτίσει τη ροή του κειμένου από αυτές τις θέσεις. Πολλά προγράμματα εισάγουν αλλαγή γραμμής στο τέλος κάθε ορατής γραμμής, και δεν μπορούν πάντα να ξεχωρίσουν το τέλος μιας γραμμής μέσα σε πρόταση από το τέλος μιας πραγματικής παραγράφου. Το αποτέλεσμα φαίνεται σωστό στη σελίδα και λάθος μέσα σε ένα πλαίσιο κειμένου.

Τρία ακόμη πράγματα το επιδεινώνουν:

• Λέξεις με παύλα στο τέλος γραμμής. Μια λέξη που χωρίζεται ως "inter-" στο τέλος μιας γραμμής και "national" στην αρχή της επόμενης αντιγράφεται ως δύο κομμάτια με αλλαγή γραμμής ανάμεσά τους. Κάποια προγράμματα κρατούν την παύλα, κάποια τη σβήνουν και κάποια αφήνουν την αλλαγή γραμμής.
• Στήλες. Οι διατάξεις δύο στηλών μπορεί να αντιγράψουν πρώτα ολόκληρη την αριστερή στήλη και μετά τη δεξιά, ή να αναμείξουν γραμμές και από τις δύο στήλες σε μία σειρά.
• Κεφαλίδες, υποσέλιδα και αριθμοί σελίδων. Αντιγράφονται στη μέση μιας πρότασης όταν η παράγραφος περνά σε άλλη σελίδα.

Η διόρθωση

Η επιδιόρθωση είναι μια σύντομη ακολουθία κανόνων, που εφαρμόζονται με τη σειρά:

1. Ενώστε τις γραμμές που δεν τελειώνουν πρόταση. Αν μια γραμμή τελειώνει σε πεζό γράμμα, κόμμα ή λέξη χωρίς τελεία, η επόμενη γραμμή σχεδόν πάντα τη συνεχίζει.
2. Κρατήστε αλλαγή γραμμής εκεί όπου το πρωτότυπο είχε κενό παραγράφου. Μια γραμμή που τελειώνει σε τελεία, ερωτηματικό ή άνω τελεία και ακολουθείται από σύντομη ή εσοχή γραμμή συχνά ξεκινά νέα παράγραφο.
3. Αφαιρέστε την παύλα στο τέλος γραμμής μόνο όταν χωρίζει μία λέξη. Το "inter-" με το "national" γίνεται "international". Μια σύνθετη λέξη όπως "well-" με "known" πρέπει να γίνει "well-known", οπότε ελέγξτε την ενωμένη λέξη με βάση την πρόταση.
4. Διαγράψτε τις επαναλαμβανόμενες κεφαλίδες, υποσέλιδα και αριθμούς σελίδων που εμφανίζονται μία φορά σε κάθε σελίδα.

Ακολουθεί ένα παράδειγμα. Έτσι μοιάζει συχνά ένα αντιγραμμένο κείμενο:

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

Μετά την ένωση των γραμμών που συνεχίζουν την πρόταση, το κείμενο διαβάζεται ως εξής:

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

Επικολλήστε το αντιγραμμένο κείμενο στο Διόρθωση επικολλημένου κειμένου και οι ενώσεις γίνονται με ένα πέρασμα. Μετά ελέγξτε για αόρατους χαρακτήρες που ήρθαν μαζί με την αντιγραφή. Το Αφαίρεση αόρατων χαρακτήρων δείχνει τι βρίσκει πριν αλλάξει οτιδήποτε, και ο οδηγός για τους αόρατους χαρακτήρες εξηγεί από πού προέρχονται.

Στήλες και πίνακες

Οι στήλες είναι η πιο δύσκολη περίπτωση. Ο ασφαλέστερος τρόπος είναι να επιλέγετε μία στήλη τη φορά, αντί να σύρετε πάνω και από τις δύο. Αν το PDF έχει μία σειρά ανάγνωσης, αντιγράψτε ολόκληρη τη σελίδα μία φορά και μετά ελέγξτε την πρώτη και την τελευταία γραμμή κάθε στήλης. Αν οι λέξεις των δύο στηλών έχουν αναμειχθεί, θα χρειαστεί να αντιγράψετε σε κομμάτια.

Οι πίνακες είναι χειρότεροι. Ένας πίνακας που αντιγράφεται από PDF συχνά βγαίνει με ένα κελί ανά γραμμή, οπότε πρέπει να ξαναφτιάξετε τις σειρές μόνοι σας ή να επικολλήσετε σε λογιστικό φύλλο με στηλοθέτη ή σταθερό διαχωριστικό. Για πίνακα με περισσότερες από λίγες σειρές, είναι πιο γρήγορο να χρησιμοποιήσετε ένα εργαλείο εξαγωγής κειμένου που διατηρεί τις στήλες και μετά να καθαρίσετε το αποτέλεσμα.

Όταν το PDF είναι σάρωση

Αν το PDF είναι σάρωση, δεν υπάρχει κείμενο για αντιγραφή. Κάθε σελίδα είναι εικόνα, οπότε ό,τι βλέπετε είναι και όλο το περιεχόμενο. Χρειάζεστε πρώτα αναγνώριση οπτικών χαρακτήρων (OCR). Φτιάξτε μια εικόνα της σελίδας και διαβάστε την με το Εξαγωγή κειμένου από εικόνα, που εκτελείται στον browser σας. Το OCR φέρνει τα δικά του λάθη, όπως το "rn" που διαβάζεται ως "m" ή το "0" που διαβάζεται ως "O", οπότε ελέγξτε το αναγνωρισμένο κείμενο με το πρωτότυπο πριν βασιστείτε σε αυτό. Ο οδηγός για στιγμιότυπα οθόνης και φωτογραφίες εξηγεί πώς να πετύχετε καθαρότερη ανάγνωση.

Ειδικές περιπτώσεις

• Στα ποιήματα, τον κώδικα και τις διευθύνσεις οι αλλαγές γραμμής έχουν σημασία. Ενώστε μόνο τις γραμμές που είναι προφανώς αναδιπλωμένες και αφήστε τις υπόλοιπες όπως είναι.
• Μια μαλακή αλλαγή γραμμής (αναδίπλωση) και μια σκληρή αλλαγή γραμμής (πραγματική παράγραφος) μπορεί να φαίνονται ίδιες μετά την αντιγραφή. Διαβάστε την πρώτη παράγραφο μετά τον καθαρισμό και διορθώστε όποιες ενώσεις φαίνονται λανθασμένες.
• Αν το καθαρισμένο κείμενο δεν ταιριάζει όταν αναζητάτε μια λέξη που βλέπετε, η αντιγραφή πιθανότατα έφερε μαζί της αόρατους χαρακτήρες. Συγκρίνετε την αντιγραφή με το πρωτότυπο για να βρείτε τις διαφορές.
• Αν χρειάζεστε να διατηρήσετε την αρχική διάταξη, επικολλήστε σε επεξεργαστή εγγράφων με επιλογή «επικόλληση ως απλό κείμενο», αντί να καθαρίζετε με το χέρι.

Πώς να το κάνετε με το fixmint

1. Αντιγράψτε το κείμενο από το PDF, ή εκτελέστε το PDF σε κείμενο για να το εξαγάγετε πρώτα από το αρχείο.
2. Επικολλήστε το στο πεδίο Επικολλημένο κείμενο του εργαλείου Διόρθωση επικολλημένου κειμένου.
3. Αφήστε ενεργές τις επιλογές Ένωση σπασμένων γραμμών μέσα σε παραγράφους και Ένωση λέξεων που χωρίζονται με παύλα στο τέλος γραμμής, όπως είναι προεπιλεγμένες. Επιλέξτε Ίσια εισαγωγικά αν το κείμενο προέρχεται από επεξεργαστή κειμένου, και Αφαίρεση γραμμών που περιέχουν μόνο αριθμό σελίδας αν η αντιγραφή περιλαμβάνει αριθμούς σελίδων.
4. Διαβάστε την πρώτη και την τελευταία γραμμή κάθε παραγράφου. Το εργαλείο αφαιρεί τις γραμμές με αριθμούς σελίδων, αλλά όχι τις επαναλαμβανόμενες κεφαλίδες ή υποσέλιδα, γι' αυτό διαγράψτε τα χειροκίνητα.
5. Αντιγράψτε το αποτέλεσμα ή χρησιμοποιήστε Λήψη .txt.

Γρήγορες απαντήσεις

Γιατί το αντιγραμμένο κείμενο από PDF έχει αλλαγή γραμμής σε κάθε γραμμή;

Το PDF αποθηκεύει κάθε ορατή γραμμή ως ξεχωριστό κομμάτι κειμένου με συγκεκριμένη θέση, οπότε η αντιγραφή κρατά τα τέλη των γραμμών. Η διόρθωση είναι να ενώσετε τις γραμμές που συνεχίζουν μια πρόταση και να κρατήσετε αλλαγές γραμμής μόνο στα πραγματικά κενά παραγράφων.

Πώς σταματάω τις λέξεις με παύλα να χωρίζονται;

Αφαιρέστε την παύλα μόνο όταν τα δύο μέρη σχηματίζουν μία λέξη, όπως το "inter-" και το "national". Κρατήστε την σε σύνθετες λέξεις όπως το "well-known", τις οποίες μπορείτε να ελέγξετε με βάση την πρόταση.

Μπορώ να αντιγράψω πίνακα από PDF σε λογιστικό φύλλο;

Συχνά ναι, αλλά συνήθως μόνο με αντιγραφή διαχωρισμένη με στηλοθέτη ή με σταθερό πλάτος. Για πίνακες με πολλές σειρές, ένα εργαλείο εξαγωγής κειμένου που διατηρεί τις στήλες είναι πιο γρήγορο από τη διόρθωση κάθε κελιού.