Miért törik minden sorban a PDF-ből másolt szöveg?

A PDF-ből másolt szöveg minden sorban megtörik, mert a PDF nem tárol bekezdéseket. Minden látható sort külön, rögzített pozícióba helyezett szövegdarabként tárol, ezért másoláskor a programnak kell kitalálnia, hol ér véget valójában a mondat. A legtöbb program úgy tippel, hogy sortörést tesz oda, ahol az eredeti sor véget ért, így a bekezdésed tucatnyi rövid sorra esik szét.

Beillesztett szöveg javításaA beillesztett szövegben törött sorok vannakPróbáld ki ingyen

Miért törik szét a bekezdéseket a PDF-ek

A szövegszerkesztő a bekezdést egyetlen hosszú szövegként tárolja, a megjelenítő pedig az oldal szélességéhez igazítja a sortöréseket, amikor kirajzolja. A PDF fordítva működik. Inkább rajzolási utasítások halmaza: ezt a szófüzért ide, a következőt oda. A sortörést a fájl készítésekor döntötték el, a fájl pedig a sorok pozícióit őrzi, nem a bekezdések szerkezetét.

Amikor kijelölöd és másolod a szöveget, az olvasónak ezekből a pozíciókból kell újra felépítenie a szövegfolyamot. Sok program minden látható sor végénél sortörést szúr be, és nem mindig tudja megkülönböztetni a mondaton belüli sorvéget egy valódi bekezdés végétől. Az eredmény az oldalon jól néz ki, a szövegmezőben viszont rosszul.

Három további dolog még rontja a helyzetet:

• Elválasztott sorvégek. Ha egy szó az egyik sor végén „inter-”, a következő elején pedig „national” alakban szerepel, két darabként, közéjük tett sortöréssel másolódik. Néhány program megtartja a kötőjelet, mások elhagyják, megint mások meghagyják a törést.
• Hasábok. Kéthasábos elrendezésnél a másolás előbb egészben átveheti a bal hasábot, utána a jobbat, vagy a két hasáb sorai összekeverve kerülhetnek egy sorba.
• Fejlécek, láblécek és oldalszámok. Ezek a mondat közepére kerülnek, amikor a bekezdés átível egy oldaltörésen.

A javítás

A helyreállítás néhány szabályból álló, sorrendben alkalmazott lépés:

1. Illeszd össze azokat a sorokat, amelyek nem zárnak le mondatot. Ha egy sor kisbetűre, vesszőre vagy pont nélküli szóra végződik, a következő sor szinte mindig folytatja.
2. Hagyd meg a sortörést ott, ahol az eredetiben bekezdésköz volt. Az a sor, amely ponttal, kérdőjellel vagy kettősponttal zárul, és utána rövid vagy behúzott sor következik, gyakran új bekezdést kezd.
3. A sorvégi kötőjelet csak akkor távolítsd el, ha egy szót szakít ketté. Az „inter-” és a „national” összeillesztve „international” lesz. Egy valódi összetett szót, például a „well-” és a „known” párost, „well-known” alakban kell megtartani, ezért ellenőrizd az összeillesztett szót a mondat alapján.
4. Töröld azokat az ismétlődő fejléceket, lábléceket és oldalszámokat, amelyek oldalanként egyszer szerepelnek.

Íme egy kidolgozott példa. Ilyen egy másolás gyakran:

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

A mondatot folytató sorok összeillesztése után így olvasható:

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

Illeszd be a másolatot a Szöveg javítása beillesztés után eszközbe, és az összeillesztések egy menetben elvégződnek. Ezután ellenőrizd, hogy maradt-e a másolással együtt érkezett láthatatlan karakter. A Rejtett karakterek eltávolítása eszköz a módosítás előtt megmutatja, mit talált, a rejtett karakterekről szóló útmutató pedig elmagyarázza, honnan származnak.

Hasábok és táblázatok

A hasábok a legnehezebb esetek. A legbiztonságosabb, ha egyszerre egy hasábot jelölsz ki, nem pedig mindkettőt áthúzva. Ha a PDF-nek egyetlen olvasási sorrendje van, másold egyszer az egész oldalt, és utána ellenőrizd minden hasáb első és utolsó sorát. Ha a két hasáb szavai össze vannak keverve, darabokban kell másolnod.

A táblázatok még rosszabbak. A PDF-ből másolt táblázat gyakran soronként egy cellát ad, ezért a sorokat magadnak kell újraépítened, vagy tabulátorral vagy fix elválasztóval tagolt formában beilleszteni táblázatkezelőbe. Több sorból álló táblázatnál gyorsabb, ha oszlopokat megtartó szövegkinyerő eszközt használsz, és az eredményt utána tisztítod.

Ha a PDF szkennelt

Ha a PDF szkennelt, nincs másolható szöveg. Minden oldal egy kép, ezért az, amit látsz, az összes adat. Először optikai karakterfelismerésre (OCR) van szükséged. Készíts képet az oldalról, majd olvasd be a Kép szöveggé alakítása eszközzel, amely a böngésződben fut. Az OCR saját hibákat is hoz, például az „rn” „m”-nek, a „0” „O”-nak olvasódhat, ezért a felismert szöveget hasonlítsd össze az eredetivel, mielőtt használod. A képernyőképről és fotóról szóló útmutató bemutatja, hogyan kapsz tisztább olvasatot.

Speciális esetek

• A versekben, kódban és címekben a sortörések számítanak. Csak a nyilvánvalóan áttördelt sorokat illeszd össze, a többit hagyd érintetlenül.
• A lágy sortörés (áttördelés) és a kemény sortörés (valódi bekezdés) a másolás után egyformának látszhat. A tisztítás után olvasd el az első bekezdést, és javítsd az összeillesztéseket, ahol hibásnak tűnnek.
• Ha a megtisztított szövegben nem található meg egy szó, amelyet a képen látsz, a másolás valószínűleg láthatatlan karaktereket hozott magával. A Szövegek összehasonlítása eszközzel vesd össze a másolatot az eredetivel, hogy megtaláld az eltéréseket.
• Ha meg akarod tartani az eredeti elrendezést, illeszd be a szöveget egy dokumentumszerkesztőbe, amelynek van „beillesztés formázatlan szövegként” lehetősége, ahelyett hogy kézzel tisztítanád.

Hogyan csináld a fixmint-tel

1. Másold ki a szöveget a PDF-ből, vagy előbb futtasd a PDF szöveggé alakítása eszközt, hogy kinyerd a szöveget a fájlból.
2. Illeszd be a Beillesztett szöveg mezőbe a Szöveg javítása beillesztés után eszközön.
3. Hagyd bejelölve a Törött sorok összefűzése bekezdésen belül és a Sorvégi kötőjellel elválasztott szavak összeillesztése opciót, alapértelmezés szerint így vannak. Jelöld be a Görbe idézőjelek kiegyenesítése opciót, ha a szöveg szövegszerkesztőből származik, és a Csak oldalszámot tartalmazó sorok eltávolítása opciót, ha a másolat tartalmaz oldalszámokat.
4. Olvasd el minden bekezdés első és utolsó sorát. Az eszköz eltávolítja az oldalszám-sorokat, de az ismétlődő fejléceket és lábléceket nem, ezeket kézzel töröld.
5. Másold ki az eredményt, vagy használd a Letöltés .txt gombot.

Gyors válaszok

Miért kap minden sor sortörést, ha PDF-ből másolok szöveget?

A PDF minden látható sort külön, pozícióval rögzített szövegdarabként tárol, ezért a másolat megőrzi a sorvégeket. A megoldás az, hogy a mondatot folytató sorokat összeilleszted, és a sortöréseket csak a valódi bekezdésközöknél hagyod meg.

Hogyan akadályozhatom meg, hogy a kötőjeles szavak szétessenek?

A kötőjelet csak akkor távolítsd el, ha a két rész egy szót alkot, például „inter-” és „national”. Az olyan valódi összetett szavaknál, mint a „well-known”, tartsd meg, és a mondat alapján ellenőrizd.

Be tudom másolni a PDF-es táblázatot táblázatkezelőbe?

Gyakran igen, de általában csak tabulátorral elválasztott vagy fix szélességű másolattal. Sok sorból álló táblázatnál gyorsabb egy oszlopokat megtartó szövegkinyerő eszköz, mint minden cellát külön javítani.