Почему текст, скопированный из PDF, ломается на каждой строке

Текст, скопированный из PDF, ломается на каждой строке, потому что PDF не хранит абзацы. Он хранит каждую видимую строку как отдельный фрагмент текста в фиксированной позиции на странице. Поэтому при копировании программе приходится угадывать, где на самом деле заканчивается предложение. Большинство программ угадывают по тому, где заканчивалась строка в оригинале, и ваш абзац рассыпается на десятки коротких строк.

Исправление вставленного текстаВ вставленном тексте лишние переносыСделать бесплатно

Почему PDF разрывает абзацы

Текстовый редактор хранит абзац как один длинный фрагмент текста, а при выводе на экран переносит строки по ширине страницы. С PDF всё наоборот. Это скорее набор инструкций для рисования: вот эта цепочка слов в этом месте, вот следующая цепочка там. Перенос строк был определён при создании файла, и файл хранит позиции строк, а не структуру абзацев.

Когда вы выделяете и копируете текст, программе нужно восстановить поток текста по этим позициям. Многие программы вставляют перенос строки в конце каждой видимой строки и не всегда могут отличить конец строки внутри предложения от конца настоящего абзаца. На странице всё выглядит правильно, а в текстовом поле получается каша.

Есть и другие причины, которые всё усугубляют:

• Переносы слов через дефис. Слово, разбитое как «inter-» в конце одной строки и «national» в начале следующей, копируется двумя кусками с переносом между ними. Одни программы оставляют дефис, другие убирают его, а третьи оставляют разрыв.
• Колонки. В двухколоночной вёрстке текст может скопироваться сначала весь левый столбец, потом правый, а может перемешаться строки обоих столбцов в одном фрагменте.
• Колонтитулы и номера страниц. Они попадают в середину предложения, если абзац переходит через границу страницы.

Как исправить

Исправление состоит из нескольких правил, которые применяются по порядку:

1. Склейте строки, которые не заканчивают предложение. Если строка оканчивается строчной буквой, запятой или словом без точки, следующая строка почти всегда его продолжает.
2. Оставьте перенос там, где в оригинале был отступ между абзацами. Строка, которая заканчивается точкой, вопросительным или восклицательным знаком либо двоеточием, а за ней идёт короткая или с отступом строка, обычно начинает новый абзац.
3. Убирайте дефис в конце строки, только если он разбивает одно слово. «inter-» и «national» дают «international». Настоящее составное слово, например «well-» и «known», должно стать «well-known», поэтому проверьте склеенное слово по смыслу предложения.
4. Удаляйте повторяющиеся колонтитулы, подвалы и номера страниц, которые встречаются на каждой странице.

Пример. Вот как часто выглядит скопированный текст:

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

После склейки строк, которые продолжают предложение, получается:

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

Вставьте скопированный текст в Исправить вставленный текст, и склейка выполнится за один проход. Затем проверьте, не попали ли в текст невидимые символы. Удаление невидимых символов показывает, что найдено, до внесения изменений. А руководство по невидимым символам объясняет, откуда они берутся.

Колонки и таблицы

Колонки — самый сложный случай. Безопаснее выделять по одной колонке за раз, а не тянуть выделение через обе. Если в PDF один порядок чтения, скопируйте всю страницу целиком и затем проверьте первую и последнюю строку каждой колонки. Если слова из двух колонок перемешались, придётся копировать по частям.

С таблицами хуже. Таблица, скопированная из PDF, часто превращается в столбец, где каждая ячейка на отдельной строке. Тогда строки придётся восстанавливать вручную или вставлять в таблицу, разделяя данные табуляцией или фиксированным разделителем. Если в таблице больше нескольких строк, быстрее воспользоваться инструментом извлечения текста, который сохраняет колонки, а потом почистить результат.

Когда PDF — это скан

Если PDF — это скан, копировать нечего. Каждая страница представляет собой картинку, поэтому текст есть только в том виде, в каком он виден. Нужно сначала распознать его с помощью оптического распознавания символов (OCR). Сделайте изображение страницы и распознайте его инструментом Распознавание текста с изображения, который работает в браузере. OCR тоже допускает ошибки, например «rn» вместо «m» или «0» вместо «O», поэтому сверяйте распознанный текст с оригиналом, прежде чем на него опираться. Как получить более чистое распознавание, описано в руководстве по скриншотам и фото.

Особые случаи

• В стихах, коде и адресах переносы строк имеют значение. Склеивайте только явно перенесённые строки и не трогайте остальные.
• Мягкий перенос (автоперенос) и жёсткий перенос (настоящий абзац) после копирования могут выглядеть одинаково. Прочитайте первый абзац после очистки и исправьте все склейки, которые выглядят неверно.
• Если очищенный текст не находит слово, которое вы видите на экране, скорее всего, при копировании попали невидимые символы. Сравните скопированный текст с оригиналом, чтобы найти различия.
• Если нужно сохранить исходную вёрстку, вставьте текст в редактор документов с пунктом «вставить как обычный текст», а не чистите его вручную.

Как сделать это в fixmint

1. Скопируйте текст из PDF или сначала извлеките его из файла инструментом PDF в текст.
2. Вставьте текст в поле Вставленный текст инструмента «Исправить вставленный текст».
3. Оставьте включёнными Склеивать разорванные строки внутри абзацев и Склеивать слова, перенесённые дефисом в конце строки, как они включены по умолчанию. Включите Выпрямлять фигурные кавычки, если текст пришёл из текстового редактора, и Удалять строки, состоящие только из номера страницы, если в копии есть номера страниц.
4. Прочитайте первую и последнюю строку каждого абзаца. Инструмент удаляет строки с номерами страниц, но не повторяющиеся колонтитулы и подвалы, поэтому их удалите вручную.
5. Скопируйте результат или нажмите Скачать .txt.

Короткие ответы

Почему в тексте, скопированном из PDF, после каждой строки стоит перенос?

PDF хранит каждую видимую строку как отдельный фрагмент текста с позицией, поэтому при копировании сохраняются концы строк. Чтобы исправить это, склейте строки, которые продолжают предложение, и оставьте переносы только там, где есть настоящие отступы между абзацами.

Как не дать словам с дефисом разваливаться?

Убирайте дефис, только если обе части образуют одно слово, например «inter-» и «national». В настоящих составных словах, например «well-known», дефис оставляйте. Проверить это можно по смыслу предложения.

Можно ли скопировать таблицу из PDF в таблицу?

Часто можно, но обычно только если копия разделена табуляцией или имеет фиксированную ширину. Для таблиц с большим количеством строк инструмент извлечения текста, который сохраняет колонки, быстрее, чем исправлять каждую ячейку вручную.