Varför text kopierad från en PDF bryts vid varje rad

Text kopierad från en PDF bryts vid varje rad eftersom en PDF inte lagrar stycken. Den lagrar varje synlig rad som en separat textbit på en fast position på sidan. När du kopierar måste programmet därför gissa var en mening egentligen slutar. De flesta program gissar genom att lägga in en radbrytning där originalraden slutade, och då faller ditt stycke sönder i dussintals korta rader.

Fixa inklistrad textInklistrad text har trasiga raderGör det gratis

Varför PDF-filer bryter stycken

En textbehandlare lagrar ett stycke som en lång sammanhängande text, och layoutmotorn bryter den till sidans bredd när den ritas upp. En PDF fungerar tvärtom. Den liknar en uppsättning ritinstruktioner: lägg den här ordsträngen här och nästa ordsträng där. Radbrytningarna bestämdes när filen skapades, och filen sparar radpositionerna i stället för styckestrukturen.

När du markerar och kopierar måste mottagaren bygga upp ett textflöde igen utifrån positionerna. Många program lägger in en radbrytning vid varje synligt radslut, och de kan inte alltid skilja ett radslut mitt i en mening från slutet på ett riktigt stycke. Resultatet ser rätt ut på sidan men fel ut i ett textfält.

Tre andra saker gör det värre:

• Avstavade radslut. Ett ord som delats som "inter-" i slutet av en rad och "national" i början av nästa kopieras som två delar med en brytning mellan. Vissa program behåller bindestrecket, andra tar bort det, och vissa lämnar brytningen kvar.
• Spalter. Tvåspaltiga layouter kan kopiera hela vänster spalt först och sedan den högra, eller blanda rader från båda spalterna i samma följd.
• Sidhuvuden, sidfötter och sidnummer. De kopieras mitt i en mening när ett stycke går över till nästa sida.

Lösningen

Rättningen är en kort följd av regler som tillämpas i ordning:

1. Slå ihop rader som inte avslutar en mening. Om en rad slutar på en gemen, ett kommatecken eller ett ord utan punkt fortsätter nästa rad nästan alltid meningen.
2. Behåll en radbrytning där originalet hade en styckeavsättning. En rad som slutar på punkt, frågetecken eller kolon och följs av en kort eller indragen rad börjar ofta ett nytt stycke.
3. Ta bort bindestreck vid radslut endast när det delar upp ett ord. "inter-" plus "national" blir "international". Ett riktigt sammansatt ord som "well-" plus "known" ska bli "well-known", så kontrollera det sammanfogade ordet mot meningen.
4. Ta bort upprepade sidhuvuden, sidfötter och sidnummer som förekommer en gång per sida.

Här är ett genomgånget exempel. Så här ser en kopia ofta ut:

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

När raderna som fortsätter en mening har slagits ihop blir det:

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

Klistra in kopian i Rätta inklistrad text så görs sammanslagningarna på en gång. Kontrollera sedan om det finns osynliga tecken som följde med kopian. Ta bort osynliga tecken visar vad som hittas innan något ändras, och guiden om osynliga tecken förklarar var de kommer ifrån.

Spalter och tabeller

Spalter är det svåraste fallet. Det säkraste är att markera en spalt i taget i stället för att dra över båda. Om PDF-filen har en enda läsordning kan du kopiera hela sidan en gång och sedan kontrollera första och sista raden i varje spalt. Om orden från de två spalterna blandas måste du kopiera i delar.

Tabeller är värre. En tabell som kopierats från en PDF blir ofta en cell per rad, så du måste bygga upp raderna själv eller klistra in i ett kalkylblad med tabbtecken eller fast avgränsare. För en tabell med fler än några rader går det snabbare med ett verktyg för textextrahering som behåller kolumnerna, och sedan rensar du resultatet.

När PDF-filen är en skanning

Om PDF-filen är en skanning finns ingen text att kopiera. Varje sida är en bild, så det du ser är allt som finns. Du behöver först optisk teckenigenkänning (OCR). Gör en bild av sidan och läs sedan av den med verktyget Bild till text, som körs i din webbläsare. OCR ger egna fel, till exempel att "rn" läses som "m" eller att "0" läses som "O". Jämför därför den igenkända texten med originalet innan du litar på den. Guiden om skärmbilder och foton visar hur du får en renare avläsning.

Specialfall

• Dikter, kod och adresser har radbrytningar som betyder något. Slå bara ihop rader som uppenbarligen är avbrutna och lämna resten orörd.
• En mjuk radbrytning (en radbrytning i löpande text) och en hård radbrytning (ett riktigt stycke) kan se likadana ut när de kopierats. Läs första stycket efter rensningen och rätta de sammanslagningar som ser fel ut.
• Om den rensade texten inte stämmer när du söker efter ett ord du ser, har kopian troligen tagit med osynliga tecken. Jämför kopian med originalet för att hitta skillnaderna.
• Om du behöver behålla originallayouten, klistra in i en dokumentredigerare med alternativet "klistra in som ren text" i stället för att rensa för hand.

Så gör du med fixmint

1. Kopiera texten från PDF-filen, eller kör PDF till text för att få ut den ur filen först.
2. Klistra in den under Inklistrad text i verktyget Rätta inklistrad text.
3. Låt Slå ihop trasiga rader inom stycken och Sätt ihop ord som delats med bindestreck vid radslut vara ikryssade, som de är som standard. Kryssa i Räta ut böjda citattecken om texten kommer från en textbehandlare, och Ta bort rader som bara är ett sidnummer om kopian innehåller sidnummer.
4. Läs första och sista raden i varje stycke. Verktyget tar bort rader med sidnummer men inte upprepade sidhuvuden eller sidfötter, så ta bort dem för hand.
5. Kopiera resultatet, eller använd Ladda ner .txt.

Snabba svar

Varför har kopierad PDF-text en radbrytning vid varje rad?

En PDF lagrar varje synlig rad som en separat, positionerad textbit, så kopian behåller radslutena. Lösningen är att slå ihop rader som fortsätter en mening och bara behålla brytningar vid verkliga styckeavsättningar.

Hur förhindrar jag att avstavade ord delas?

Ta bort bindestrecket bara där de två delarna bildar ett ord, till exempel "inter-" och "national". Behåll det i riktiga sammansatta ord som "well-known", vilket du kan kontrollera mot meningen.

Kan jag kopiera en tabell från en PDF till ett kalkylblad?

Ofta, men oftast bara med en tabbavgränsad eller fast bredd-kopia. För tabeller med många rader är ett verktyg för textextrahering som behåller kolumnerna snabbare än att rätta varje cell.