Waarom tekst uit een pdf bij elke regel breekt

Tekst die je uit een pdf kopieert, breekt bij elke regel omdat een pdf geen alinea's opslaat. Een pdf bewaart elke zichtbare regel als een apart stukje tekst op een vaste plek op de pagina. Wanneer je kopieert, moet het programma dus raden waar een zin echt eindigt. De meeste programma's raden door een regeleinde te zetten waar de oorspronkelijke regel eindigde, en dan valt je alinea uiteen in tientallen korte regels.

Geplakte tekst reparerenGeplakte tekst heeft kapotte regelsGratis doen

Waarom pdf's alinea's breken

Een tekstverwerker slaat een alinea op als één lange reeks tekst, en de lay-out past die bij het tekenen aan de breedte van de pagina aan. Een pdf werkt andersom. Het is meer een reeks tekeninstructies: zet deze woorden hier, zet de volgende reeks daar. De regelafbreking is bepaald toen het bestand werd gemaakt, en het bestand bewaart de regelposities en niet de alineastructuur.

Wanneer je selecteert en kopieert, moet je tekst zelf weer opbouwen uit die posities. Veel programma's voegen bij elk zichtbaar regeleinde een enter in, en ze kunnen niet altijd zien of een regeleinde midden in een zin ligt of aan het einde van een echte alinea. Het resultaat ziet er op de pagina goed uit, maar in een tekstvak niet.

Drie andere dingen maken het erger:

• Geslepen regeleindes. Een woord dat aan het eind van een regel als „inter-” wordt gesplitst en aan het begin van de volgende regel als „national” verder gaat, wordt gekopieerd als twee stukken met een enter ertussen. Sommige programma's houden het koppelteken, andere laten het weg, en weer andere laten de enter staan.
• Kolommen. Bij tweekoloms-lay-outs kan het programma eerst de hele linkerkolom kopiëren en daarna de rechterkolom, of het mengt regels uit beide kolommen door elkaar.
• Koppen, voetteksten en paginanummers. Die worden midden in een zin gekopieerd wanneer een alinea over een paginawissel loopt.

De oplossing

De reparatie bestaat uit een korte reeks regels, die je in deze volgorde toepast:

1. Voeg regels samen die geen zin afsluiten. Als een regel eindigt op een kleine letter, een komma of een woord zonder punt, dan gaat de volgende regel bijna altijd door.
2. Houd een enter aan waar het origineel een alinea-afstand had. Een regel die eindigt op een punt, vraagteken of dubbele punt, en gevolgd wordt door een korte of ingesprongen regel, begint vaak een nieuwe alinea.
3. Verwijder een koppelteken aan het regeleinde alleen wanneer het één woord splitst. „inter-” plus „national” wordt „international”. Een echt samengesteld woord zoals „well-” plus „known” moet „well-known” worden, dus controleer het samengevoegde woord in de zin.
4. Verwijder herhaalde koppen, voetteksten en paginanummers die op elke pagina terugkomen.

Hier is een uitgewerkt voorbeeld. Zo ziet een kopie er vaak uit:

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

Nadat je de regels die een zin voortzetten hebt samengevoegd, leest het zo:

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

Plak de kopie in Tekst uit pdf of e-mail opschonen, dan zijn de samenvoegingen in één keer klaar. Controleer daarna op onzichtbare tekens die met de kopie zijn meegekomen. Verborgen tekens verwijderen laat zien wat het vindt voordat er iets verandert, en de gids over verborgen tekens legt uit waar ze vandaan komen.

Kolommen en tabellen

Kolommen zijn het lastigste geval. Het veiligst is om één kolom tegelijk te selecteren, in plaats van over beide heen te slepen. Als de pdf één leesvolgorde heeft, kopieer dan de hele pagina één keer en controleer daarna de eerste en laatste regel van elke kolom. Als de woorden uit de twee kolommen door elkaar lopen, moet je in stukken kopiëren.

Tabellen zijn erger. Een tabel die uit een pdf wordt gekopieerd, komt vaak als één cel per regel terecht. Je moet de rijen dan zelf opbouwen, of plakken in een spreadsheet met een tab of een vaste scheidingsteken. Bij een tabel met meer dan een paar rijen is het sneller om een tool voor tekstextractie te gebruiken die kolommen bewaart, en het resultaat daarna op te schonen.

Wanneer de pdf een scan is

Als de pdf een scan is, is er geen tekst om te kopiëren. Elke pagina is een afbeelding, dus wat je ziet is alles wat er is. Je hebt eerst optische tekenherkenning (OCR) nodig. Maak een afbeelding van de pagina en lees die daarna in met de afbeelding naar tekst-tool, die in je browser draait. OCR maakt zijn eigen fouten, zoals „rn” dat als „m” wordt gelezen of „0” dat als „O” wordt gelezen. Controleer de herkende tekst dus tegen het origineel voordat je erop vertrouwt. De gids over screenshots en foto's laat zien hoe je een schonere lezing krijgt.

Bijzondere gevallen

• Gedichten, code en adressen hebben regeleindes die ertoe doen. Voeg alleen de regels samen die duidelijk zijn afgebroken, en laat de rest met rust.
• Een zachte enter (een afbreking) en een harde enter (een echte alinea) kunnen na het kopiëren identiek lijken. Lees de eerste alinea na het opschonen, en herstel samenvoegingen die verkeerd lijken.
• Als de opgeschoonde tekst niet overeenkomt wanneer je zoekt naar een woord dat je wel ziet, heeft de kopie waarschijnlijk onzichtbare tekens meegenomen. Vergelijk de kopie met het origineel om de verschillen te vinden.
• Als je de oorspronkelijke opmaak wilt houden, plak dan in een tekstverwerker met de optie „plakken als platte tekst”, in plaats van met de hand op te schonen.

Zo doe je het met fixmint

1. Kopieer de tekst uit de pdf, of gebruik PDF naar tekst om hem eerst uit het bestand te halen.
2. Plak de tekst in Geplakte tekst op de tool Tekst uit pdf of e-mail opschonen.
3. Laat Regels binnen alinea's samenvoegen en Woorden die aan het regeleinde met een koppelteken zijn gesplitst weer samenvoegen aan staan, zoals ze standaard zijn. Vink Krulaanhalingstekens rechttrekken aan als de tekst uit een tekstverwerker komt, en Regels die alleen een paginanummer bevatten verwijderen als de kopie paginanummers bevat.
4. Lees de eerste en laatste regel van elke alinea. De tool verwijdert regels met alleen een paginanummer, maar niet herhaalde koppen of voetteksten, dus die haal je zelf weg.
5. Kopieer het resultaat, of gebruik Downloaden als .txt.

Snelle antwoorden

Waarom heeft gekopieerde pdf-tekst bij elke regel een enter?

Een pdf bewaart elke zichtbare regel als een apart stuk gepositioneerde tekst, dus de kopie houdt de regeleindes vast. De oplossing is regels samenvoegen die een zin voortzetten en alleen enters aanhouden bij echte alinea-afstanden.

Hoe voorkom ik dat woorden met een koppelteken splitsen?

Verwijder het koppelteken alleen waar de twee delen één woord vormen, zoals „inter-” en „national”. Laat het staan in echte samengestelde woorden zoals „well-known”, en controleer dat tegen de zin.

Kan ik een tabel uit een pdf in een spreadsheet kopiëren?

Vaak wel, maar meestal alleen met een kopie die met tabs is gescheiden of een vaste breedte heeft. Bij tabellen met veel rijen is een tool voor tekstextractie die kolommen bewaart sneller dan elke cel apart herstellen.