De ce textul copiat dintr-un PDF se rupe la fiecare rând

Textul copiat dintr-un PDF se rupe la fiecare rând pentru că un PDF nu păstrează paragrafele. Fiecare rând vizibil este salvat ca o bucată separată de text, plasată într-o poziție fixă pe pagină, așa că la copiere programul trebuie să ghicească unde se termină de fapt o propoziție. Cele mai multe programe ghicesc punând un rând nou acolo unde se terminase rândul original, iar paragraful tău se desface în zeci de rânduri scurte.

Repară textul lipitTextul lipit are rânduri rupteÎncearcă gratuit

De ce PDF-urile rup paragrafele

Un procesor de text salvează un paragraf ca un singur șir lung de text, iar motorul de așezare îl împarte pe lățimea paginii atunci când îl desenează. Un PDF funcționează invers. Este mai degrabă un set de instrucțiuni de desenare: pune acest șir de cuvinte aici, pune următorul șir acolo. Împărțirea pe rânduri a fost decisă când a fost creat fișierul, iar fișierul păstrează pozițiile rândurilor, nu structura paragrafelor.

Când selectezi și copiezi, cititorul trebuie să reconstruiască un flux de text din aceste poziții. Multe programe adaugă un rând nou la fiecare capăt vizibil de rând și nu pot întotdeauna să deosebească un capăt de rând din interiorul unei propoziții de sfârșitul unui paragraf real. Rezultatul arată corect pe pagină și greșit într-un câmp de text.

Trei alte lucruri înrăutățesc situația:

• Capete de rând cu cratimă. Un cuvânt despărțit ca „inter-” la finalul unui rând și „național” la începutul următorului este copiat în două bucăți, cu o întrerupere între ele. Unele programe păstrează cratima, altele o șterg, iar altele lasă întreruperea la loc.
• Coloane. Aranjamentele pe două coloane pot copia mai întâi întreaga coloană stângă și apoi pe cea dreaptă sau pot intercala rândurile din ambele coloane într-un singur șir.
• Antete, subsoluri și numere de pagină. Acestea sunt copiate în mijlocul unei propoziții atunci când un paragraf trece peste o schimbare de pagină.

Remedierea

Reparația este o succesiune scurtă de reguli, aplicate în ordine:

1. Unește rândurile care nu încheie o propoziție. Dacă un rând se termină cu o literă mică, o virgulă sau un cuvânt fără punct, rândul următor continuă aproape întotdeauna propoziția.
2. Păstrează un rând nou acolo unde originalul avea un spațiu de paragraf. Un rând care se termină cu punct, semn de întrebare sau două puncte și este urmat de un rând scurt sau indentat începe, de regulă, un paragraf nou.
3. Elimină cratima de la capătul unui rând numai atunci când împarte un singur cuvânt. „inter-” plus „național” devine „internațional”. Un compus real, precum „bine-cunoscut”, trebuie păstrat cu cratimă, deci verifică cuvântul unit în contextul propoziției.
4. Șterge antetele, subsolurile și numerele de pagină care apar o dată pe pagină.

Iată un exemplu rezolvat. Așa arată adesea o copiere:

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

După unirea rândurilor care continuă o propoziție, textul arată așa:

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

Lipește copia în repară textul lipit și uniriile se fac dintr-o singură trecere. Apoi verifică dacă au venit odată cu copierea caractere invizibile. Elimină caracterele ascunse arată ce a găsit înainte să modifice ceva, iar ghidul despre caractere ascunse explică de unde provin acestea.

Coloane și tabele

Coloanele sunt cazul cel mai dificil. Cea mai sigură metodă este să selectezi o coloană pe rând, nu să tragi peste ambele. Dacă PDF-ul are o singură ordine de citire, copiază întreaga pagină o dată și apoi verifică prima și ultima linie din fiecare coloană. Dacă cuvintele din cele două coloane sunt amestecate, va trebui să copiezi în bucăți.

Tabelele sunt și mai greu de tratat. Un tabel copiat dintr-un PDF ajunge adesea cu câte o celulă pe rând, așa că trebuie să reconstruiești singur rândurile sau să lipești într-o foaie de calcul folosind un tabulator sau un separator fix. Pentru un tabel cu mai multe rânduri, este mai rapid să folosești un instrument de extragere a textului care păstrează coloanele și apoi să cureți rezultatul.

Când PDF-ul este o scanare

Dacă PDF-ul este o scanare, nu există text de copiat. Fiecare pagină este o imagine, deci ceea ce vezi este tot ce există. Ai nevoie întâi de recunoaștere optică a caracterelor (OCR). Fă o imagine a paginii, apoi citește-o cu instrumentul imagine în text, care rulează în browserul tău. OCR aduce propriile erori, cum ar fi „rn” citit ca „m” sau „0” citit ca „O”, așa că verifică textul recunoscut față de original înainte să te bazezi pe el. Ghidul pentru capturi de ecran și fotografii explică cum obții o citire mai curată.

Cazuri speciale

• Poeziile, codul și adresele au rânduri noi care contează. Unește doar rândurile care sunt evident împărțite și lasă restul neatins.
• Un rând moale (o simplă trecere automată) și unul tare (un paragraf real) pot arăta identic după copiere. Citește primul paragraf după curățare și repară orice unire care pare greșită.
• Dacă textul curățat nu se potrivește când cauți un cuvânt pe care îl vezi, copierea a adus probabil caractere invizibile. Compară copia cu originalul ca să găsești diferențele.
• Dacă trebuie să păstrezi aspectul original, lipește într-un editor de documente care are opțiunea „lipește ca text simplu”, în loc să cureți manual.

Cum se face cu fixmint

1. Copiază textul din PDF sau rulează PDF în text ca să-l scoți mai întâi din fișier.
2. Lipește-l în câmpul Text lipit din instrumentul repară textul lipit.
3. Lasă bifate Unește rândurile rupte din paragrafe și Reunește cuvintele despărțite prin cratimă la capătul rândului, așa cum sunt implicit. Bifează Îndreaptă ghilimelele curbate dacă textul vine dintr-un procesor de text și Elimină rândurile care conțin doar un număr de pagină dacă în copie apar numere de pagină.
4. Citește primul și ultimul rând din fiecare paragraf. Instrumentul elimină rândurile cu numere de pagină, dar nu și antetele sau subsolurile repetate, așa că pe acestea șterge-le manual.
5. Copiază rezultatul sau folosește Descarcă .txt.

Răspunsuri rapide

De ce textul copiat dintr-un PDF are un rând nou la fiecare rând?

Un PDF salvează fiecare rând vizibil ca o bucată separată de text poziționat, așa că la copiere se păstrează capetele de rând. Soluția este să unești rândurile care continuă o propoziție și să păstrezi întreruperile doar acolo unde există spații reale de paragraf.

Cum opresc despărțirea cuvintelor cu cratimă?

Elimină cratima doar acolo unde cele două jumătăți formează un singur cuvânt, cum ar fi „inter-” și „național”. Păstreaz-o la compusele reale, precum „bine-cunoscut”, pe care le poți verifica în contextul propoziției.

Pot copia un tabel dintr-un PDF într-o foaie de calcul?

De multe ori da, dar de obicei doar cu o copiere separată prin tabulatori sau cu lățime fixă. Pentru tabele cu multe rânduri, un instrument de extragere a textului care păstrează coloanele este mai rapid decât corectarea fiecărei celule.