Comment réparer le texte copié à partir d'un PDF (sauts de ligne et espacement)

Vous copiez quelques paragraphes d'un PDF, les collez dans un document, et le texte est en désordre, chaque ligne se termine brusquement, les phrases sont coupées en fragments et il y a des lignes vides partout. C’est l’un des problèmes de texte les plus courants et les plus ennuyeux, et cela se produit pour une raison spécifique. Une fois que vous comprenez pourquoi, le réparer prend quelques secondes.

Pourquoi le texte PDF se brise ainsi

Les PDF stockent le texte en fonction de sa position visuelle sur la page, et non sous la forme d'un flux fluide de phrases. Chaque ligne que vous voyez est placée à des coordonnées spécifiques, et le PDF ne « sait » pas vraiment qu'une ligne continue dans la suivante sous forme de phrase. Ainsi, lorsque vous copiez, l'extraction insère un saut de ligne à la fin de chaque ligne visuelle, car en ce qui concerne le fichier, chaque ligne est un objet placé distinct. Le résultat est un texte interrompu à chaque ligne plutôt qu'à chaque paragraphe, souvent avec des lignes vides supplémentaires entre elles. Ce n'est pas votre faute ni celle de la fonction de copie ; c'est ainsi que les PDF représentent le texte.

Qu'est-ce que "réparer" signifie réellement

Corriger le texte copié au format PDF signifie joindre les lignes brisées en paragraphes appropriés. Mais il y a une subtilité : vous souhaitez joindre les lignes au sein d’un paragraphe tout en conservant les sauts entre les paragraphes. Supprimer naïvement chaque saut de ligne fusionnerait l'intégralité du document en un seul bloc géant sans aucune structure de paragraphe, ce qui est pire. La bonne solution distingue un saut de ligne à l'intérieur d'un paragraphe (qui doit devenir un espace) de la ligne vide entre les paragraphes (qui doit rester). C’est ce qui transforme un texte brisé en prose lisible.

Les outils pour le travail

Deux nettoyages associés le gèrent. La suppression des sauts de ligne rejoint les lignes fragmentées. Le meilleur mode est celui qui remplace les sauts de ligne par des espaces dans les paragraphes tout en préservant les lignes vides qui séparent les paragraphes, afin d'obtenir un texte fluide avec sa structure intacte. Ensuite, la suppression des lignes vides efface toutes les lignes vides restantes insérées dans le PDF. Exécutez-les dans cet ordre et le texte PDF désordonné deviendra des paragraphes clairs et lisibles que vous pourrez réellement utiliser.

D'autres sources avec le même problème

Les PDF sont les pires contrevenants, mais le même problème de ligne brisée apparaît ailleurs. Le texte copié à partir des e-mails, en particulier ceux transférés, arrive souvent avec des sauts de ligne durs de largeurs fixes. Certaines pages Web et commentaires de code enveloppent le texte avec de véritables sauts de ligne. Le texte d’anciens documents et la sortie du terminal peuvent faire de même. La solution est identique dans tous les cas : rejoignez les lignes à l'intérieur des paragraphes, conservez les sauts de paragraphe et effacez les vides. Une fois que vous aurez reconnu le motif, vous le corrigerez par réflexe.

Un flux de travail en texte clair

Pour un texte collé complètement désordonné, un nettoyage en trois étapes gère presque tout : supprimez les sauts de ligne supplémentaires pour rejoindre les paragraphes, supprimez les lignes vides pour effacer les espaces et supprimez les espaces supplémentaires pour normaliser tout espace doublé ou parasite laissé par la source. Étant donné que ces outils s'exécutent tous dans le navigateur, vous pouvez nettoyer un document confidentiel sans qu'il soit téléchargé. Le résultat est un texte qui ressemble et se comporte comme s’il avait été tapé proprement au départ.