Чому текст, скопійований з PDF, ламається на кожному рядку

Текст, скопійований з PDF, ламається на кожному рядку, бо PDF не зберігає абзаци. Він зберігає кожен видимий рядок як окремий фрагмент тексту, розміщений у фіксованій позиції на сторінці. Тому під час копіювання програма мусить здогадуватися, де насправді закінчується речення. Більшість програм вставляють розрив рядка там, де закінчувався рядок оригіналу, і ваш абзац розпадається на десятки коротких рядків.

Виправлення вставленого текстуТекст із розірваними рядкамиБезкоштовно

Чому PDF ламає абзаци

Текстовий редактор зберігає абзац як один суцільний фрагмент тексту, а під час показу рушій верстки переносить слова відповідно до ширини сторінки. PDF працює навпаки. Це радше набір інструкцій для малювання: помісти цей рядок слів сюди, а наступний — туди. Перенос рядків визначається під час створення файлу, і файл зберігає позиції рядків, а не структуру абзаців.

Коли ви виділяєте й копіюєте текст, програма має відновити потік тексту з цих позицій. Багато програм вставляють розрив рядка в кінці кожного видимого рядка й не завжди можуть відрізнити кінець рядка всередині речення від справжнього кінця абзацу. На сторінці все виглядає правильно, а в текстовому полі — ні.

Є ще три речі, які погіршують ситуацію:

• Переноси слів через дефіс. Слово, розділене як «міжна-» в кінці одного рядка і «родний» на початку наступного, копіюється як два фрагменти з розривом між ними. Одні програми залишають дефіс, інші його прибирають, а треті лишають розрив.
• Колонки. У двоколонкових макетах можна скопіювати спочатку всю ліву колонку, а потім праву, або чергувати рядки обох колонок в одному фрагменті.
• Колонтитули й номери сторінок. Вони потрапляють у середину речення, коли абзац переходить через розрив сторінки.

Виправлення

Виправлення — це коротка послідовність правил, які застосовуються по черзі:

1. Об’єднуйте рядки, які не закінчують речення. Якщо рядок закінчується малою літерою, комою або словом без крапки, наступний рядок майже завжди його продовжує.
2. Залишайте розрив там, де в оригіналі був проміжок між абзацами. Рядок, що закінчується крапкою, знаком питання або двокрапкою, і за яким іде короткий або з відступом рядок, часто починає новий абзац.
3. Прибирайте дефіс у кінці рядка лише тоді, коли він розділяє одне слово. «inter-» і «national» стають «international». Справжнє складене слово, наприклад «well-» і «known», має стати «well-known», тому перевірте з’єднане слово за змістом речення.
4. Видаляйте повторювані колонтитули, нижні колонтитули та номери сторінок, які з’являються раз на сторінку.

Ось приклад. Так часто виглядає копія:

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

Після об’єднання рядків, які продовжують речення, текст виглядає так:

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

Вставте скопійований текст в Виправлення вставленого тексту, і об’єднання буде виконано за один прохід. Потім перевірте, чи не прийшли разом із копією невидимі символи. Видалення невидимих символів показує, що знайшло, перш ніж щось змінити, а посібник з невидимих символів пояснює, звідки вони беруться.

Колонки й таблиці

Колонки — найскладніший випадок. Найбезпечніше виділяти одну колонку за раз, а не тягнути через обидві. Якщо в PDF один порядок читання, скопіюйте всю сторінку один раз, а потім перевірте перший і останній рядки кожної колонки. Якщо слова з двох колонок змішалися, доведеться копіювати частинами.

Таблиці ще гірші. Таблиця, скопійована з PDF, часто виходить як одна клітинка в рядку, тому рядки доведеться відновлювати вручну або вставляти в електронну таблицю, використовуючи табуляцію чи фіксований роздільник. Для таблиці з кількома рядками швидше скористатися інструментом вилучення тексту, який зберігає колонки, а потім почистити результат.

Коли PDF є скануванням

Якщо PDF є скануванням, тексту для копіювання немає. Кожна сторінка — це зображення, тож те, що ви бачите, і є всім, що там є. Спочатку потрібне оптичне розпізнавання символів (OCR). Зробіть зображення сторінки, а потім розпізнайте його за допомогою інструмента розпізнавання тексту з картинки, який працює у вашому браузері. OCR має власні помилки, наприклад «rn» розпізнається як «m» або «0» як «O», тому перевірте розпізнаний текст з оригіналом, перш ніж йому довіряти. У посібнику зі скриншотів і фото пояснено, як отримати чистіше розпізнавання.

Особливі випадки

• Вірші, код і адреси мають розриви рядків, які важливі. Об’єднуйте лише ті рядки, які явно перенесені, а решту залишайте як є.
• М’який перенос (переносу слова) і жорсткий перенос (справжній абзац) після копіювання можуть виглядати однаково. Прочитайте перший абзац після очищення й виправте об’єднання, які здаються неправильними.
• Якщо після очищення текст не знаходиться за словом, яке ви бачите, копія, найімовірніше, принесла невидимі символи. Порівняйте копію з оригіналом, щоб знайти відмінності.
• Якщо потрібно зберегти початковий макет, вставте текст у редактор документів із опцією «вставити як простий текст», а не чистіть вручну.

Як це зробити у fixmint

1. Скопіюйте текст з PDF або спочатку виконайте PDF у текст, щоб витягти його з файлу.
2. Вставте текст у поле Вставлений текст в інструменті «Виправлення вставленого тексту».
3. Залиште увімкненими Об’єднувати розірвані рядки всередині абзаців і З’єднувати слова, поділені дефісом у кінці рядка, як вони увімкнені за замовчуванням. Увімкніть Вирівнювати лапки, якщо текст походить із текстового редактора, і Видаляти рядки, які містять лише номер сторінки, якщо копія містить номери сторінок.
4. Прочитайте перший і останній рядок кожного абзацу. Інструмент видаляє рядки з номерами сторінок, але не повторювані колонтитули, тож видаліть їх вручну.
5. Скопіюйте результат або скористайтеся кнопкою Завантажити .txt.

Швидкі відповіді

Чому текст, скопійований з PDF, має розрив рядка після кожного рядка?

PDF зберігає кожен видимий рядок як окремий фрагмент тексту з позицією, тому під час копіювання лишаються кінці рядків. Виправлення полягає в тому, щоб об’єднати рядки, які продовжують речення, і залишити розриви лише між справжніми абзацами.

Як не дати словам, перенесеним через дефіс, розпадатися?

Прибирайте дефіс лише там, де дві частини складають одне слово, наприклад «inter-» і «national». Залишайте його у справжніх складених словах, наприклад «well-known», і перевіряйте їх за змістом речення.

Чи можна скопіювати таблицю з PDF в електронну таблицю?

Часто так, але зазвичай лише з копією, розділеною табуляцією, або з фіксованою шириною. Для таблиць із багатьма рядками інструмент вилучення тексту, який зберігає колонки, швидший, ніж виправляти кожну клітинку.