Por que o texto copiado de um PDF quebra em cada linha

O texto copiado de um PDF quebra em cada linha porque o PDF não guarda parágrafos. Ele guarda cada linha visível como um trecho separado de texto, posicionado em uma coordenada fixa da página. Por isso, ao copiar, o programa precisa adivinhar onde uma frase realmente termina. A maioria dos programas adivinha inserindo uma quebra de linha onde a linha original terminava, e seu parágrafo se desmancha em dezenas de linhas curtas.

Corrigir texto coladoTexto colado tem linhas quebradasUse de graça

Por que os PDFs quebram os parágrafos

Um editor de texto guarda um parágrafo como um único trecho contínuo, e o mecanismo de layout quebra o texto na largura da página na hora de exibi-lo. O PDF funciona ao contrário. Ele se parece mais com um conjunto de instruções de desenho: coloque esta sequência de palavras aqui, coloque a próxima ali. A quebra de linhas foi definida quando o arquivo foi criado, e o arquivo guarda as posições das linhas, não a estrutura dos parágrafos.

Ao selecionar e copiar, quem recebe o texto precisa reconstruir um fluxo a partir dessas posições. Muitos programas inserem uma quebra de linha em cada fim de linha visível, e nem sempre conseguem distinguir o fim de linha no meio de uma frase do fim de um parágrafo de verdade. O resultado fica certo na página e errado numa caixa de texto.

Há outros três fatores que pioram a situação:

• Palavras separadas por hífen no fim da linha. Uma palavra dividida como "inter-" no fim de uma linha e "nacional" no início da seguinte é copiada em duas partes, com uma quebra entre elas. Alguns programas mantêm o hífen, outros o removem e outros deixam a quebra no lugar.
• Colunas. Layouts de duas colunas podem copiar a coluna da esquerda inteira e depois a da direita, ou misturar linhas das duas colunas numa só sequência.
• Cabeçalhos, rodapés e números de página. Eles são copiados no meio de uma frase quando um parágrafo atravessa a quebra de página.

A solução

O reparo é uma sequência curta de regras, aplicadas nesta ordem:

1. Una as linhas que não encerram uma frase. Se uma linha termina com letra minúscula, vírgula ou palavra sem ponto final, a linha seguinte quase sempre continua o texto.
2. Mantenha a quebra onde o original tinha um espaço de parágrafo. Uma linha que termina com ponto final, ponto de interrogação ou dois-pontos, seguida de uma linha curta ou recuada, costuma começar um novo parágrafo.
3. Remova o hífen no fim da linha só quando ele divide uma única palavra. "inter-" mais "nacional" vira "internacional". Uma palavra composta de verdade, como "bem-" mais "conhecido", deve virar "bem-conhecido", então confira a palavra unida na frase.
4. Apague cabeçalhos, rodapés e números de página que se repetem uma vez por página.

Veja um exemplo prático. Esta é a aparência que a cópia costuma ter:

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

Depois de unir as linhas que continuam uma frase, o texto fica assim:

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

Cole a cópia em corrigir texto colado e as junções são feitas de uma vez. Em seguida, procure caracteres invisíveis que possam ter vindo junto com a cópia. Remover caracteres ocultos mostra o que encontrou antes de alterar qualquer coisa, e o guia de caracteres ocultos explica de onde eles vêm.

Colunas e tabelas

Colunas são o caso mais difícil. O caminho mais seguro é selecionar uma coluna de cada vez, em vez de arrastar o cursor pelas duas. Se o PDF tiver uma única ordem de leitura, copie a página inteira de uma vez e depois confira a primeira e a última linha de cada coluna. Se as palavras das duas colunas estiverem misturadas, será preciso copiar em partes.

Tabelas são piores. Uma tabela copiada de um PDF costuma sair com uma célula por linha, então você precisa reconstruir as linhas manualmente ou colar numa planilha usando tabulação ou um separador fixo. Para uma tabela com mais de algumas linhas, é mais rápido usar uma ferramenta de extração de texto que mantenha as colunas e depois limpar o resultado.

Quando o PDF é uma digitalização

Se o PDF for uma digitalização, não há texto para copiar. Cada página é uma imagem, então o que você vê é tudo o que existe. Você precisa primeiro de reconhecimento óptico de caracteres (OCR). Gere uma imagem da página e depois leia-a com a ferramenta de imagem para texto, que roda no seu navegador. O OCR traz erros próprios, como "rn" lido como "m" ou "0" lido como "O", então confira o texto reconhecido com o original antes de confiar nele. O guia de captura de tela e foto mostra como obter uma leitura mais limpa.

Casos especiais

• Poemas, códigos e endereços têm quebras de linha que importam. Una apenas as linhas que claramente foram quebradas automaticamente e deixe o resto como está.
• Uma quebra suave (uma quebra automática de linha) e uma quebra forçada (um parágrafo de verdade) podem parecer idênticas depois de copiadas. Leia o primeiro parágrafo depois da limpeza e corrija as junções que parecerem erradas.
• Se o texto limpo não encontrar uma palavra que você vê na tela, a cópia provavelmente trouxe caracteres invisíveis. Compare a cópia com o original para encontrar as diferenças.
• Se precisar manter o layout original, cole num editor de documentos com a opção "colar como texto simples", em vez de limpar tudo à mão.

Como fazer com o fixmint

1. Copie o texto do PDF ou use PDF para texto para extrair o conteúdo do arquivo primeiro.
2. Cole o texto em Texto colado na ferramenta corrigir texto colado.
3. Mantenha marcadas Unir linhas quebradas dentro dos parágrafos e Juntar palavras divididas por hífen no fim da linha, como vêm por padrão. Marque Endireitar aspas curvas se o texto veio de um editor de texto, e Remover linhas que são só um número de página se a cópia incluir números de página.
4. Leia a primeira e a última linha de cada parágrafo. A ferramenta remove as linhas de número de página, mas não os cabeçalhos ou rodapés que se repetem, então apague esses manualmente.
5. Copie o resultado ou use Baixar .txt.

Respostas rápidas

Por que o texto copiado de um PDF tem quebra de linha em cada linha?

Um PDF guarda cada linha visível como um trecho de texto posicionado separadamente, então a cópia mantém o fim de cada linha. A solução é unir as linhas que continuam uma frase e manter quebras apenas nos espaços reais entre parágrafos.

Como evitar que palavras com hífen sejam separadas?

Remova o hífen apenas quando as duas partes formam uma única palavra, como "inter-" e "nacional". Mantenha-o em palavras compostas de verdade, como "bem-conhecido", que você pode conferir na frase.

Dá para copiar uma tabela de PDF para uma planilha?

Muitas vezes, mas geralmente só com uma cópia separada por tabulação ou de largura fixa. Para tabelas com muitas linhas, uma ferramenta de extração de texto que mantenha as colunas é mais rápida do que corrigir cada célula.