Hvorfor brytes tekst kopiert fra en PDF på hver linje

Tekst kopiert fra en PDF brytes på hver linje fordi en PDF ikke lagrer avsnitt. Den lagrer hver synlige linje som en egen tekstbit plassert på en fast posisjon på siden, så når du kopierer, må programmet gjette hvor en setning egentlig slutter. De fleste programmer gjetter ved å sette inn et linjeskift der den opprinnelige linjen endte, og avsnittet ditt faller fra hverandre i en mengde korte linjer.

Fiks limt tekstLimt tekst har brutte linjerGjør det gratis

Hvorfor PDF-filer bryter avsnitt

Et tekstbehandlingsprogram lagrer et avsnitt som én lang tekststreng, og layoutmotoren bryter teksten etter sidebredden når den tegner den. En PDF fungerer omvendt. Den ligner mer på et sett med tegneinstruksjoner: plasser denne strengen med ord her, plasser neste streng der. Linjebrytingen ble bestemt da filen ble laget, og filen beholder linjeposisjonene i stedet for avsnittsstrukturen.

Når du markerer og kopierer, må leseren bygge opp en tekstflyt igjen fra disse posisjonene. Mange programmer setter inn et linjeskift ved hver synlig linjeslutt, og de kan ikke alltid skille en linjeslutt midt i en setning fra slutten på et ekte avsnitt. Resultatet ser riktig ut på siden og feil ut i et tekstfelt.

Tre andre ting gjør det verre:

• Orddeling i linjeslutt. Et ord som er delt som «inter-» på slutten av en linje og «nasjonal» på starten av neste, kopieres som to biter med et skift mellom. Noen programmer beholder bindestreken, noen fjerner den, og noen lar skiftet stå.
• Spalter. Tospaltede oppsett kan kopiere hele venstre spalte først og deretter høyre, eller de kan flette linjer fra begge spaltene sammen i én streng.
• Topptekster, bunntekster og sidetall. Disse kopieres midt inni en setning når et avsnitt går over et sideskifte.

Slik fikser du det

Rettingen er en kort rekke regler som brukes i rekkefølge:

1. Slå sammen linjer som ikke avslutter en setning. Hvis en linje slutter på en liten bokstav, et komma eller et ord uten punktum, fortsetter nesten alltid neste linje den.
2. Behold et skift der originalen hadde et avsnittsmellomrom. En linje som slutter med punktum, spørsmålstegn eller kolon, og som etterfølges av en kort eller innrykket linje, starter ofte et nytt avsnitt.
3. Fjern en bindestrek i linjeslutt bare når den deler ett ord. «inter-» pluss «nasjonal» blir «internasjonal». Et ekte sammensatt ord som «velkjent» skrevet «vel-» pluss «kjent» skal bli «velkjent», så sjekk det sammenslåtte ordet mot setningen.
4. Slett gjentatte topptekster, bunntekster og sidetall som kommer én gang per side.

Her er et eksempel. Slik ser en kopi ofte ut:

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

Etter at linjene som fortsetter en setning er slått sammen, leses det slik:

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

Lim kopien inn i fiks limt tekst, så er sammenslåingene gjort på ett pass. Sjekk deretter etter usynlige tegn som fulgte med kopien. Fjern skjulte tegn viser hva den finner før den endrer noe, og veiledningen om skjulte tegn forklarer hvor de kommer fra.

Spalter og tabeller

Spalter er det vanskeligste tilfellet. Den sikreste måten er å markere én spalte om gangen, i stedet for å dra over begge. Hvis PDF-en har én leserekkefølge, kopierer du hele siden én gang og sjekker deretter første og siste linje i hver spalte. Hvis ordene fra de to spaltene er blandet sammen, må du kopiere i deler.

Tabeller er verre. En tabell kopiert fra en PDF blir ofte til én celle per linje, så du må bygge opp radene selv, eller lime inn i et regneark med tabulator eller et fast skilletegn. For en tabell med mer enn noen få rader er det raskere å bruke et verktøy for tekstuttrekk som beholder kolonnene, og rydde opp i resultatet etterpå.

Når PDF-en er en skanning

Hvis PDF-en er en skanning, finnes det ingen tekst å kopiere. Hver side er et bilde, så det du ser, er alt som finnes. Du trenger optisk tegngjenkjenning (OCR) først. Lag et bilde av siden, og les det deretter med bilde til tekst-verktøyet, som kjører i nettleseren din. OCR gir egne feil, for eksempel at «rn» leses som «m» eller «0» leses som «O», så sjekk den gjenkjente teksten mot originalen før du stoler på den. Veiledningen om skjermbilder og bilder viser hvordan du får en renere lesing.

Spesialtilfeller

• Dikt, kode og adresser har linjeskift som betyr noe. Slå bare sammen linjer som tydelig er brutt av kanten, og la resten være.
• Et mykt linjeskift (en orddeling) og et hardt linjeskift (et ekte avsnitt) kan se helt like ut etter kopiering. Les det første avsnittet etter rensing, og rett opp eventuelle sammenslåinger som virker feil.
• Hvis den rensede teksten ikke stemmer når du søker etter et ord du kan se, har kopien sannsynligvis tatt med seg usynlige tegn. Sammenlign kopien med originalen for å finne forskjellene.
• Hvis du må beholde den opprinnelige layouten, lim inn i et dokumentredigeringsprogram med et alternativ for «lim inn som ren tekst», i stedet for å rydde for hånd.

Slik gjør du det med fixmint

1. Kopier teksten fra PDF-en, eller kjør PDF til tekst for å hente ut teksten fra filen først.
2. Lim den inn i Limt tekst i verktøyet fiks limt tekst.
3. La Slå sammen ødelagte linjer innenfor avsnitt og Sett sammen ord delt med bindestrek i linjeslutt være avkrysset, slik de er som standard. Kryss av for Rett opp krøllete anførselstegn hvis teksten kommer fra et tekstbehandlingsprogram, og for Fjern linjer som bare er et sidetall hvis kopien inneholder sidetall.
4. Les første og siste linje i hvert avsnitt. Verktøyet fjerner linjer med sidetall, men ikke gjentatte topptekster eller bunntekster, så slett dem for hånd.
5. Kopier resultatet, eller bruk Last ned .txt.

Raske svar

Hvorfor har kopiert PDF-tekst et linjeskift på hver linje?

En PDF lagrer hver synlige linje som en egen posisjonert tekstbit, så kopien beholder linjeslutningene. Løsningen er å slå sammen linjer som fortsetter en setning, og beholde skift bare der det faktisk er avsnittsmellomrom.

Hvordan stopper jeg at ord med bindestrek deles?

Fjern bindestreken bare der de to delene danner ett ord, for eksempel «inter-» og «nasjonal». Behold den i ekte sammensatte ord som «velkjent», som du kan sjekke mot setningen.

Kan jeg kopiere en tabell fra en PDF over i et regneark?

Ofte, men vanligvis bare med en tabulatorseparert eller fast-bredde kopi. For tabeller med mange rader er et verktøy for tekstuttrekk som beholder kolonnene raskere enn å rette hver celle.