为什么从PDF复制的文字每行都会断开

从PDF复制的文字每行都会断开，是因为PDF并不保存段落。它把每一行可见文字当作独立的一段内容，放在页面上的固定位置。复制时，程序必须猜测句子究竟在哪里结束。大多数读取程序的做法是，在原文每行结束的地方插入换行，于是整段文字就被拆成了几十行短句。

修复粘贴的文本粘贴的文本有很多断行免费使用

为什么PDF会打断段落

文字处理软件把一个段落保存为一整段连续的文字，绘制时再由排版引擎按页面宽度自动折行。PDF则正好相反，它更像一组绘图指令：把这串词放在这里，把下一串词放在那里。换行在文件生成时就已经确定，文件保存的是每行的位置，而不是段落结构。

复制时，读取程序必须根据这些位置重新拼出文本流。许多程序会在每个可见行尾插入换行，而且往往无法分辨句中的换行和真正的段落结束。排版在页面上看起来没有问题，粘贴到文本框里却乱了。

还有三个情况会让问题更严重：

• 行末连字符。 一个词在行末被拆成“inter-”，下一行开头是“national”，复制后就变成两段，中间夹着换行。有的程序保留连字符，有的删除，还有的直接留下换行。
• 分栏。 双栏排版复制时，可能先整体复制左栏，再复制右栏，也可能把两栏的行交错排在一起。
• 页眉、页脚和页码。 段落跨页时，这些内容会被插进句子中间一起复制。

修复方法

修复只需按顺序应用四条规则：

1. 合并不是句末的行。如果一行以小写字母、逗号或没有句号的词结尾，下一行几乎总是它的延续。
2. 在原文有段落空隙的地方保留换行。一行以句号、问号或冒号结尾，后面接着一行较短或缩进的文字，通常就是新段落的开头。
3. 只有当行末连字符把一个词拆开时才删除它。“inter-”加“national”应变成“international”。像“well-”加“known”这样的复合词应写成“well-known”，因此要结合句子检查拼合后的词。
4. 删除每页重复出现的页眉、页脚和页码。

下面是一个例子。复制下来的内容通常是这样的：

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

合并延续句子的行之后，就变成了：

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

把复制的内容粘贴到修复粘贴文本中，一次就能完成合并。然后检查复制时带入的不可见字符。删除不可见字符会在修改前先显示找到的字符，不可见字符指南则解释了它们的来源。

分栏和表格

分栏是最难处理的情况。最稳妥的办法是每次只选择一栏，不要跨两栏拖动选择。如果PDF的阅读顺序是单一的，可以一次复制整页，然后检查每一栏的首行和末行。如果两栏的文字混在了一起，就只能分段复制。

表格更麻烦。从PDF复制的表格常常变成每个单元格占一行，所以你必须自己重建行列，或者用制表符或固定分隔符粘贴到电子表格中。如果表格的行数超过几行，使用能保留列结构的文字提取工具会更快，然后再清理结果。

PDF是扫描件时

如果PDF是扫描件，就没有可以复制的文字。每一页都是一张图片，你看到的就是全部内容。你需要先做光学字符识别（OCR）：把页面生成图片，再用图片转文字工具识别，该工具在浏览器中运行。OCR本身会出错，比如把“rn”识别成“m”，或把“0”识别成“O”，所以在依赖识别结果之前，要与原文核对。截图和照片指南介绍了如何获得更清晰的识别效果。

特殊情况

• 诗歌、代码和地址中的换行是有意义的。只合并明显是自动折行的行，其余的保持不动。
• 软换行（自动折行）和硬换行（真正的段落）复制后可能看起来一模一样。清理后请先通读第一段，再修正看起来不对的连接处。
• 如果清理后的文本在搜索你能看到的某个词时找不到，复制内容很可能带入了不可见字符。可以比较文本，把复制的内容和原文对照，找出差异。
• 如果需要保留原有排版，可以粘贴到带有“粘贴为纯文本”选项的文档编辑器中，而不必手动清理。

在fixmint中操作

1. 从PDF复制文字，或先运行PDF转文字把文字从文件中提取出来。
2. 把文字粘贴到修复粘贴文本工具的粘贴的文本框中。
3. 保持合并段落内的断行和重新拼接行末被连字符拆开的词为勾选状态，这是默认设置。如果文字来自文字处理软件，勾选将弯引号转为直引号；如果复制内容包含页码，勾选删除只含页码的行。
4. 检查每个段落的首行和末行。该工具会删除只含页码的行，但不会删除重复出现的页眉或页脚，所以这些内容需要你手动删除。
5. 复制结果，或使用下载 .txt。

快速解答

为什么从PDF复制的文字每行都有换行？

PDF把每一行可见文字保存为一段独立的定位文字，所以复制时会保留行末的换行。解决办法是合并延续句子的行，只在真正的段落空隙处保留换行。

如何避免连字符把词拆开？

只有当两部分拼起来是一个词时，比如“inter-”和“national”，才删除连字符。像“well-known”这样真正的复合词要保留连字符，可以结合句子检查。

能把PDF中的表格复制到电子表格吗？

通常可以，但一般需要使用制表符分隔或固定宽度的复制结果。对于行数较多的表格，使用能保留列结构的文字提取工具，比逐个修正单元格更快。