Vì sao văn bản copy từ PDF bị ngắt dòng ở mỗi dòng

Văn bản copy từ PDF bị ngắt dòng ở mỗi dòng vì PDF không lưu đoạn văn. Mỗi dòng hiển thị được lưu thành một đoạn chữ riêng, đặt ở một vị trí cố định trên trang, nên khi bạn copy, chương trình phải tự đoán chỗ nào thật sự kết thúc câu. Hầu hết chương trình đoán bằng cách xuống dòng ở đúng chỗ dòng gốc kết thúc, và đoạn văn của bạn vỡ thành hàng chục dòng ngắn.

Sửa văn bản dán vàoVăn bản dán bị ngắt dòng lung tungDùng miễn phí

Vì sao PDF làm vỡ đoạn văn

Trình soạn thảo văn bản lưu một đoạn văn thành một chuỗi chữ dài, và khi hiển thị, nó tự ngắt dòng theo chiều rộng trang. PDF hoạt động ngược lại. Nó gần giống một tập lệnh vẽ: đặt chuỗi từ này ở đây, đặt chuỗi tiếp theo ở đó. Việc ngắt dòng đã được quyết định khi tạo file, và file giữ vị trí các dòng chứ không giữ cấu trúc đoạn văn.

Khi bạn chọn và copy, phần mềm phải dựng lại dòng chảy văn bản từ các vị trí đó. Nhiều chương trình chèn ký tự xuống dòng ở mỗi cuối dòng hiển thị, và không phải lúc nào cũng phân biệt được cuối dòng nằm giữa câu với cuối đoạn văn thật. Kết quả trông đúng trên trang nhưng sai trong ô nhập liệu.

Ba nguyên nhân khác làm tình trạng này nặng thêm:

• Từ bị gạch nối ở cuối dòng. Một từ bị tách thành “inter-” ở cuối dòng này và “national” ở đầu dòng sau sẽ được copy thành hai phần, có ký tự xuống dòng ở giữa. Có chương trình giữ dấu gạch nối, có chương trình bỏ đi, và có chương trình để nguyên ký tự xuống dòng.
• Nhiều cột. Bố cục hai cột có thể bị copy theo kiểu lấy hết cột trái rồi mới đến cột phải, hoặc xen kẽ các dòng của cả hai cột trong một khối.
• Tiêu đề đầu trang, chân trang và số trang. Các phần này bị chèn vào giữa câu khi đoạn văn kéo qua chỗ ngắt trang.

Cách sửa

Việc sửa gồm một chuỗi quy tắc ngắn, áp dụng theo thứ tự:

1. Nối các dòng không kết thúc câu. Nếu một dòng kết thúc bằng chữ thường, dấu phẩy hoặc một từ không có dấu chấm câu, dòng kế tiếp hầu như luôn là phần nối tiếp của nó.
2. Giữ ký tự xuống dòng ở chỗ bản gốc có khoảng cách giữa các đoạn. Dòng kết thúc bằng dấu chấm, dấu hỏi hoặc dấu hai chấm, rồi được theo sau bởi một dòng ngắn hoặc lùi đầu dòng, thường là bắt đầu một đoạn mới.
3. Chỉ xóa dấu gạch nối ở cuối dòng khi nó tách một từ. “inter-” cộng với “national” thành “international”. Với từ ghép thật như “well-” cộng với “known” thì phải thành “well-known”, nên hãy đối chiếu từ đã nối với câu.
4. Xóa tiêu đề đầu trang, chân trang và số trang lặp lại, vì chúng xuất hiện mỗi trang một lần.

Đây là một ví dụ minh họa. Đây là dạng văn bản copy thường gặp:

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

Sau khi nối các dòng tiếp nối câu, văn bản đọc như sau:

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

Dán văn bản copy vào Sửa văn bản đã dán và các phép nối sẽ được làm trong một lượt. Sau đó, kiểm tra xem có ký tự vô hình nào đi kèm khi copy không. Xóa ký tự ẩn sẽ hiển thị những gì nó tìm thấy trước khi thay đổi bất cứ thứ gì, còn hướng dẫn về ký tự ẩn giải thích chúng đến từ đâu.

Cột và bảng

Nhiều cột là trường hợp khó nhất. Cách an toàn nhất là chọn từng cột một, thay vì kéo chọn qua cả hai. Nếu PDF có một thứ tự đọc duy nhất, hãy copy cả trang một lần rồi kiểm tra dòng đầu và dòng cuối của mỗi cột. Nếu chữ của hai cột bị trộn lẫn, bạn sẽ phải copy theo từng phần.

Bảng còn khó hơn. Bảng copy từ PDF thường ra thành mỗi ô một dòng, nên bạn phải tự dựng lại các hàng, hoặc dán vào bảng tính bằng ký tự tab hoặc dấu phân cách cố định. Với bảng có vài hàng trở lên, dùng công cụ trích xuất văn bản giữ được các cột rồi làm sạch kết quả sẽ nhanh hơn.

Khi PDF là bản quét

Nếu PDF là bản quét thì không có văn bản để copy. Mỗi trang là một bức ảnh, nên những gì bạn thấy là tất cả những gì có. Bạn cần nhận dạng ký tự quang học (OCR) trước. Hãy chụp ảnh trang, rồi đọc bằng công cụ chuyển ảnh thành chữ, chạy ngay trong trình duyệt của bạn. OCR cũng có lỗi riêng, chẳng hạn “rn” bị đọc thành “m” hoặc số “0” bị đọc thành chữ “O”, nên hãy đối chiếu văn bản nhận dạng với bản gốc trước khi tin dùng. Hướng dẫn chụp ảnh màn hình và ảnh giải thích cách có được kết quả đọc sạch hơn.

Các trường hợp đặc biệt

• Thơ, mã nguồn và địa chỉ có ký tự xuống dòng quan trọng. Chỉ nối những dòng rõ ràng bị ngắt do tự xuống dòng, và giữ nguyên phần còn lại.
• Ký tự xuống dòng mềm (do tự ngắt dòng) và ký tự xuống dòng cứng (đoạn văn thật) có thể trông giống hệt nhau sau khi copy. Sau khi làm sạch, hãy đọc đoạn văn đầu tiên và sửa những chỗ nối trông không đúng.
• Nếu khi tìm một từ mà bạn thấy rõ trên trang nhưng văn bản đã làm sạch không khớp, có thể bản copy đã mang theo ký tự vô hình. So sánh văn bản đã copy với bản gốc để tìm các khác biệt.
• Nếu bạn cần giữ nguyên bố cục gốc, hãy dán vào một trình soạn thảo tài liệu có tùy chọn “dán dưới dạng văn bản thuần”, thay vì làm sạch bằng tay.

Cách làm với fixmint

1. Copy văn bản từ PDF, hoặc chạy PDF sang text để lấy văn bản từ file trước.
2. Dán vào ô Văn bản đã dán trong công cụ Sửa văn bản đã dán.
3. Giữ tích sẵn các mục Nối các dòng bị ngắt trong đoạn văn và Ghép lại từ bị tách bởi gạch nối ở cuối dòng, như mặc định. Tích Đổi dấu ngoặc kép cong thành thẳng nếu văn bản đến từ trình soạn thảo, và Xóa các dòng chỉ có số trang nếu bản copy có số trang.
4. Đọc dòng đầu và dòng cuối của mỗi đoạn. Công cụ xóa các dòng số trang nhưng không xóa tiêu đề hoặc chân trang lặp lại, nên bạn hãy xóa những phần đó bằng tay.
5. Copy kết quả, hoặc dùng nút Tải về .txt.

Câu hỏi nhanh

Vì sao văn bản copy từ PDF có ký tự xuống dòng ở mỗi dòng?

PDF lưu mỗi dòng hiển thị thành một đoạn chữ có vị trí riêng, nên bản copy giữ lại các điểm kết thúc dòng. Cách sửa là nối các dòng tiếp nối một câu và chỉ giữ ký tự xuống dòng ở những chỗ cách đoạn thật sự.

Làm sao để từ có gạch nối không bị tách?

Chỉ xóa dấu gạch nối khi hai nửa tạo thành một từ, chẳng hạn “inter-” và “national”. Giữ dấu gạch nối trong các từ ghép thật như “well-known”, và bạn có thể đối chiếu với câu để kiểm tra.

Tôi có thể copy bảng từ PDF vào bảng tính không?

Thường là được, nhưng thường chỉ khi copy theo dạng phân tách bằng tab hoặc độ rộng cố định. Với bảng có nhiều hàng, công cụ trích xuất văn bản giữ được cột sẽ nhanh hơn việc sửa từng ô.