PDFからコピーした文章が行ごとに途切れるのはなぜ？

PDFからコピーした文章が行ごとに改行されてしまうのは、PDFが段落を保存していないからです。PDFは、表示される行ごとに、ページ上の決まった位置に置かれた文字列として保存します。そのため、コピーするときにプログラムは文の区切りを推測しなければなりません。多くの場合、元の行末の位置で改行が入るため、段落が数十行の短い行にばらばらになってしまいます。

貼り付けテキストを整える貼り付けた文章の改行がおかしい無料で使う

PDFで段落が壊れる理由

ワープロソフトは段落を一続きの文章として保存し、描画するときにページの幅に合わせて折り返します。一方、PDFは逆の仕組みです。「この単語列をここに置く」「次の単語列はあそこに置く」といった描画命令に近いものです。行の折り返しはファイル作成時に決まり、ファイルには段落の構造ではなく行の位置が残ります。

選択してコピーすると、読み手はその位置情報から文章の流れを組み直すことになります。多くの読み取り処理は、表示上の行末ごとに改行を入れますが、文の途中の行末と本当の段落末を常に見分けられるわけではありません。ページ上では正しく見えても、テキストボックスでは間違って見えるのはこのためです。

さらに問題を悪化させる要因が3つあります。

• ハイフンで区切られた行末。 行末の「inter-」と次の行頭の「national」は、改行をはさんだ2つの断片としてコピーされます。ハイフンを残すもの、削除するもの、改行をそのまま残すものがあります。
• 段組み。 2段組みのレイアウトでは、左段を全部コピーしてから右段をコピーしたり、両方の段の行が交互に混ざったりすることがあります。
• ヘッダー、フッター、ページ番号。 段落がページをまたぐと、これらが文の途中に挿入されてコピーされます。

修正の手順

修正は、次のルールを順番に適用する短い作業です。

1. 文の途中で終わっている行をつなげます。行末が小文字、読点、またはピリオドのない単語で終わっていれば、次の行はほぼ確実にその続きです。
2. 元の段落の区切りがある場所では改行を残します。ピリオド、疑問符、コロンで終わり、その後に短い行またはインデントされた行が続く場合は、多くの場合、新しい段落の始まりです。
3. 行末のハイフンは、2つの断片で1語になる場合にだけ削除します。"inter-" と "national" は "international" になります。"well-" と "known" のような本来の複合語は "well-known" とすべきなので、つないだ語を文に照らして確認してください。
4. ページごとに現れる繰り返しのヘッダー、フッター、ページ番号は削除します。

次は、コピーした文章の典型的な例です。

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

文の続きになる行をつないだ後は、次のようになります。

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

貼り付けテキストを貼り付けテキストの修正に入れると、つなぎ処理が一度で完了します。次に、コピーと一緒に入り込んだ見えない文字がないか確認します。見えない文字を削除は、変更する前に見つけたものを表示します。見えない文字の発生源は見えない文字のガイドで説明しています。

段組みと表

段組みは最も難しいケースです。両方の段をまたいでドラッグするのではなく、一度に1段ずつ選択するのが最も確実です。PDFの読む順序が1つなら、ページ全体を一度にコピーし、各段の最初と最後の行を確認してください。2つの段の単語が混ざっている場合は、分けてコピーする必要があります。

表はさらに厄介です。PDFからコピーした表は、1セル1行の形になることがよくあります。そのため、行は自分で組み直すか、タブや固定の区切り文字を使って表計算ソフトに貼り付ける必要があります。数行を超える表なら、列を保持する文字抽出ツールを使い、その後で整えるほうが速いです。

PDFがスキャンの場合

PDFがスキャンされたものなら、コピーできる文字はありません。各ページは画像なので、見えているものがすべてです。まず光学文字認識（OCR）が必要です。ページの画像を作り、ブラウザ上で動作する画像から文字起こしで読み取ります。OCRには「rn」を「m」と読んだり、「0」を「O」と読んだりするなどの誤りがあるため、認識結果は元の文書と照らし合わせてから使ってください。よりきれいに読み取るコツはスクリーンショットと写真のガイドで説明しています。

特殊なケース

• 詩、コード、住所では改行に意味があります。明らかに折り返されている行だけをつなぎ、それ以外はそのままにしてください。
• ソフト改行（折り返し）とハード改行（本当の段落）は、コピーするとまったく同じに見えることがあります。整形後の最初の段落を読み、おかしなつなぎがあれば直してください。
• 整形後のテキストで、目に見える単語を検索しても一致しない場合は、コピーに見えない文字が混ざっている可能性が高いです。元の文書とテキストを比較して違いを見つけてください。
• 元のレイアウトを保ちたい場合は、手作業で整形するのではなく、「書式なしで貼り付け」オプションのある文書エディタに貼り付けてください。

fixmintでの手順

1. PDFからテキストをコピーします。またはPDFからテキストを抽出を実行して、先にファイルからテキストを取り出します。
2. 貼り付けテキスト欄に貼り付けます。
3. 段落内の折り返し行をつなぐと行末でハイフン区切りされた単語を結合は、初期設定のままオンにしておきます。テキストがワープロソフトからのものならカーリークォートを直線に変換をオンにし、コピーにページ番号が含まれる場合はページ番号だけの行を削除をオンにしてください。
4. 各段落の最初と最後の行を読みます。ツールはページ番号の行は削除しますが、繰り返し出てくるヘッダーやフッターは削除しないため、それらは手作業で消してください。
5. 結果をコピーするか、.txt をダウンロードを使います。

よくある質問

PDFからコピーしたテキストが行ごとに改行されるのはなぜですか？

PDFは表示される行ごとに、位置情報付きの文字列を別々に保存するため、コピーすると行末の改行もそのまま残ります。文の続きになる行をつなぎ、本当の段落の区切りだけで改行を残すのが対処法です。

ハイフンで区切られた単語が分かれないようにするには？

2つの断片が1語になる場合にだけハイフンを削除してください。たとえば "inter-" と "national" です。"well-known" のような本来の複合語では残し、文に照らして確認します。

PDFの表をそのまま表計算ソフトにコピーできますか？

多くの場合できますが、通常はタブ区切りor固定幅でコピーした場合に限られます。行数の多い表では、列を保持する文字抽出ツールを使ったほうが、セルを1つずつ直すより速いです。