Mengapa teks yang disalin dari PDF terpotong di setiap baris

Teks yang disalin dari PDF terpotong di setiap baris karena PDF tidak menyimpan paragraf. PDF menyimpan setiap baris yang terlihat sebagai potongan teks terpisah yang ditempatkan pada posisi tetap di halaman, jadi saat Anda menyalin, program harus menebak di mana sebuah kalimat benar-benar berakhir. Kebanyakan pembaca menebaknya dengan menyisipkan pemisah baris di tempat setiap baris asli berakhir, sehingga paragraf Anda pecah menjadi puluhan baris pendek.

Perbaiki teks tempelTeks tempelan punya baris patahPakai gratis

Mengapa PDF memecah paragraf

Pengolah kata menyimpan paragraf sebagai satu rangkaian teks panjang, lalu mesin tata letak membaginya sesuai lebar halaman saat menampilkannya. PDF bekerja sebaliknya. PDF lebih mirip kumpulan instruksi menggambar: letakkan rangkaian kata ini di sini, letakkan rangkaian berikutnya di sana. Pemotongan baris sudah ditentukan saat file dibuat, dan file menyimpan posisi baris, bukan struktur paragraf.

Ketika Anda memilih dan menyalin, pembaca harus menyusun ulang alur teks dari posisi-posisi tersebut. Banyak pembaca menyisipkan pemisah baris di setiap akhir baris yang terlihat, dan mereka tidak selalu bisa membedakan akhir baris di tengah kalimat dari akhir paragraf yang sebenarnya. Hasilnya tampak benar di halaman, tetapi salah di kotak teks.

Ada tiga hal lain yang memperburuk keadaan:

• Akhir baris yang dipenggal tanda hubung. Kata yang terpenggal menjadi "inter-" di akhir satu baris dan "nasional" di awal baris berikutnya akan tersalin sebagai dua potongan dengan pemisah di antaranya. Sebagian pembaca mempertahankan tanda hubung, sebagian menghapusnya, dan sebagian membiarkan pemisah tetap ada.
• Kolom. Tata letak dua kolom bisa menyalin seluruh kolom kiri lebih dulu lalu kolom kanan, atau mencampur baris dari kedua kolom dalam satu aliran.
• Judul halaman, footer dan nomor halaman. Bagian ini ikut tersalin di tengah kalimat ketika sebuah paragraf melewati batas halaman.

Cara memperbaikinya

Perbaikannya berupa serangkaian aturan singkat yang diterapkan berurutan:

1. Gabungkan baris yang tidak mengakhiri kalimat. Jika sebuah baris berakhir dengan huruf kecil, koma, atau kata tanpa titik, baris berikutnya hampir selalu melanjutkannya.
2. Pertahankan pemisah di tempat asli memiliki jeda paragraf. Baris yang berakhir dengan titik, tanda tanya, atau titik dua, lalu diikuti baris pendek atau menjorok, sering kali menandai paragraf baru.
3. Hapus tanda hubung di akhir baris hanya jika tanda itu memisahkan satu kata. "inter-" ditambah "nasional" menjadi "internasional". Kata majemuk asli seperti "well-" ditambah "known" harus menjadi "well-known", jadi periksa kata hasil gabungan terhadap kalimatnya.
4. Hapus judul halaman, footer, dan nomor halaman yang muncul sekali di setiap halaman.

Berikut contoh penerapannya. Inilah bentuk salinan yang sering muncul:

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

Setelah baris-baris yang melanjutkan kalimat digabungkan, teksnya menjadi:

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

Tempelkan salinan ke perbaiki teks tempelan, dan penggabungan baris selesai dalam sekali proses. Setelah itu, periksa karakter tak terlihat yang ikut tersalin. Hapus karakter tersembunyi menampilkan apa saja yang ditemukan sebelum mengubah apa pun, dan panduan karakter tersembunyi menjelaskan asal-usulnya.

Kolom dan tabel

Kolom adalah kasus tersulit. Cara teraman adalah memilih satu kolom sekaligus, bukan menyeret pilihan melintasi keduanya. Jika PDF memiliki urutan baca tunggal, salin seluruh halaman sekali lalu periksa baris pertama dan terakhir setiap kolom. Jika kata dari dua kolom bercampur, Anda harus menyalin per bagian.

Tabel lebih rumit. Tabel yang disalin dari PDF sering menjadi satu sel per baris, jadi Anda harus menyusun ulang barisnya sendiri atau menempelkannya ke spreadsheet dengan pemisah tab atau pemisah berjarak tetap. Untuk tabel dengan lebih dari beberapa baris, lebih cepat menggunakan alat ekstraksi teks yang mempertahankan kolom, lalu merapikan hasilnya.

Jika PDF berupa hasil pindai

Jika PDF adalah hasil pindai, tidak ada teks yang bisa disalin. Setiap halaman berupa gambar, jadi yang Anda lihat itulah satu-satunya isi. Anda perlu pengenalan karakter optik (OCR) terlebih dahulu. Buat gambar dari halaman tersebut, lalu baca dengan alat gambar ke teks, yang berjalan di peramban Anda. OCR juga menghasilkan kesalahannya sendiri, misalnya "rn" terbaca sebagai "m" atau "0" terbaca sebagai "O", jadi periksa teks hasil pengenalan terhadap dokumen asli sebelum Anda mengandalkannya. Panduan tangkapan layar dan foto menjelaskan cara mendapatkan hasil baca yang lebih bersih.

Kasus khusus

• Puisi, kode, dan alamat memiliki pemisah baris yang penting. Gabungkan hanya baris yang jelas terpotong otomatis, dan biarkan sisanya.
• Pemisah lunak (pemotongan otomatis) dan pemisah keras (paragraf sungguhan) bisa tampak sama setelah disalin. Baca paragraf pertama setelah dibersihkan, lalu perbaiki penggabungan yang terlihat keliru.
• Jika teks yang sudah dibersihkan tidak cocok ketika Anda mencari kata yang terlihat, kemungkinan salinan itu membawa karakter tak terlihat. Bandingkan salinan dengan dokumen asli untuk menemukan perbedaannya.
• Jika Anda perlu mempertahankan tata letak asli, tempelkan ke editor dokumen yang memiliki opsi "tempel sebagai teks biasa", daripada membersihkannya secara manual.

Cara melakukannya dengan fixmint

1. Salin teks dari PDF, atau jalankan PDF ke teks untuk mengeluarkan teksnya dari file lebih dulu.
2. Tempel ke kolom Teks tempelan pada alat perbaiki teks tempelan.
3. Biarkan opsi Gabungkan baris yang terpotong di dalam paragraf dan Sambung kembali kata yang dipisah tanda hubung di akhir baris tetap dicentang, seperti pengaturan bawaannya. Centang Luruskan tanda kutip melengkung jika teks berasal dari pengolah kata, dan Hapus baris yang hanya berisi nomor halaman jika salinan memuat nomor halaman.
4. Baca baris pertama dan terakhir setiap paragraf. Alat ini menghapus baris nomor halaman tetapi tidak menghapus judul atau footer yang berulang, jadi hapus bagian tersebut secara manual.
5. Salin hasilnya, atau gunakan Unduh .txt.

Jawaban singkat

Mengapa teks PDF yang disalin memiliki pemisah baris di setiap baris?

PDF menyimpan setiap baris yang terlihat sebagai potongan teks berposisi yang terpisah, jadi salinan mempertahankan akhir setiap baris. Caranya adalah menggabungkan baris yang melanjutkan kalimat dan hanya mempertahankan pemisah di jeda paragraf yang sebenarnya.

Bagaimana cara mencegah kata yang dipenggal tanda hubung terpisah?

Hapus tanda hubung hanya jika kedua bagian membentuk satu kata, seperti "inter-" dan "nasional". Pertahankan tanda hubung pada kata majemuk asli seperti "well-known", dan periksa dengan kalimatnya.

Bisakah saya menyalin tabel dari PDF ke spreadsheet?

Sering kali bisa, tetapi biasanya hanya dengan salinan yang dipisah tab atau berjarak tetap. Untuk tabel dengan banyak baris, alat ekstraksi teks yang mempertahankan kolom lebih cepat daripada memperbaiki setiap sel.