PDFからコピーしたテキストを修正する方法（改行と間隔）

PDF からいくつかの段落をコピーして文書に貼り付けると、テキストは乱雑になり、すべての行が突然終わり、文は断片に切り刻まれ、いたるところに空白行ができます。これは最も一般的で迷惑なテキストの問題の 1 つであり、特定の理由で発生します。理由が理解できれば、修正には数秒かかります。

PDF テキストがこのように壊れる理由

PDF では、テキストを流れるような文章としてではなく、ページ上の視覚的な位置に基づいて保存します。表示される各行は特定の座標に配置されており、PDF は、ある行が文として次の行に続いていることを実際には「認識」しません。したがって、ファイルに関する限り、各行は個別に配置されたオブジェクトであるため、コピーすると、抽出によってすべての表示行の末尾に改行が挿入されます。その結果、テキストは段落ごとではなく行ごとに分割され、多くの場合、間に余分な空白行が入ります。それはあなたのせいでもコピー機能のせいでもありません。 PDF がテキストを表現する方法です。

「修正」とは実際には何を意味するのか

PDF でコピーしたテキストを修正するということは、破線を適切な段落に再結合することを意味します。ただし、微妙な点があります。段落間の区切りを維持しながら、段落内の行を結合する必要があります。単純にすべての改行を削除すると、文書全体が段落構造をまったく持たない 1 つの巨大なブロックに結合されてしまい、さらに悪いことになります。良い修正では、段落内の改行 (スペースになるはずです) と段落間の空白行 (そのままである必要があります) が区別されます。それが壊れたテキストを読みやすい散文に戻すのです。

仕事のためのツール

2 つの関連するクリーンアップがこれを処理します。改行を削除すると、断片化された行が再び結合されます。最適なモードは、段落を区切る空白行を保持しながら、段落内の改行をスペースに置き換えるモードです。これにより、構造がそのままのフロー テキストが得られます。次に、空行を削除すると、PDF に挿入された残りの空行が消去されます。この順序で実行すると、乱雑な PDF テキストがきれいで読みやすい段落になり、実際に使用できるようになります。

同じ問題が発生する他のソース

PDF が最も悪質ですが、同じ破線の問題が他の場所でも発生します。電子メールからコピーされたテキスト、特に転送されたテキストは、多くの場合、固定幅のハード改行で到着します。一部の Web ページやコード コメントでは、テキストが実際の改行で折り返されます。古いドキュメントのテキストや端末出力でも同様のことが可能です。修正方法はどの場合でも同じです。段落内の行を再結合し、段落の区切りを維持し、空白をクリアします。パターンを認識すると、反射的に修正します。

クリーンテキストのワークフロー

完全に乱雑に貼り付けられたテキストの場合は、3 段階のクリーンアップでほぼすべての処理が行われます。余分な改行を削除して段落に再結合し、空行を削除して隙間を解消し、余分なスペースを削除してソースに残された二重または迷走した空白を正規化します。これらのツールはすべてブラウザーで実行されるため、アップロードせずに機密文書を消去できます。その結果、テキストは最初から正しく入力されたかのように見え、動作します。