Как исправить текст, скопированный из PDF-файла (переносы строк и интервалы)

Копируешь пару абзацев из PDF, вставляешь в документ, а текст беспорядок, каждая строка резко обрывается, предложения разбиваются на фрагменты, везде пустые строки. Это одна из самых распространенных и раздражающих проблем с текстом, и она возникает по определенной причине. Как только вы поймете почему, исправление займет секунды.

Почему текст PDF так ломается

PDF-файлы хранят текст по его визуальному положению на странице, а не в виде плавного потока предложений. Каждая строка, которую вы видите, расположена в определенных координатах, и PDF-файл на самом деле не «знает», что одна строка продолжается в следующую как предложение. Поэтому, когда вы копируете, при извлечении вставляется разрыв строки в конце каждой визуальной строки, поскольку для файла каждая строка представляет собой отдельный помещенный объект. В результате текст разбивается на каждой строке, а не на каждом абзаце, часто с дополнительными пустыми строками между ними. Это не ваша вина или вина функции копирования; именно так PDF-файлы представляют текст.

Что на самом деле означает «исправление»

Исправление текста, скопированного в PDF-файле, означает объединение ломаных строк в правильные абзацы. Но есть тонкость: нужно соединить строки внутри абзаца, сохраняя при этом разрывы между абзацами. Наивное удаление каждого разрыва строки приведет к объединению всего документа в один гигантский блок вообще без структуры абзацев, что еще хуже. Хорошее исправление позволяет отличить разрыв строки внутри абзаца (который должен стать пробелом) от пустой строки между абзацами (которая должна остаться). Именно это превращает испорченный текст обратно в читаемую прозу.

Инструменты для работы

С этим справляются две связанные очистки. Удаление разрывов строк приводит к воссоединению фрагментированных строк. Лучшим режимом является тот, который заменяет разрывы строк пробелами внутри абзацев, сохраняя при этом пустые строки, разделяющие абзацы, поэтому вы получаете плавный текст с неповрежденной структурой. Затем удаление пустых строк удаляет все оставшиеся пустые строки, вставленные в PDF-файл. Запустите их в таком порядке, и беспорядочный текст PDF превратится в чистые, читаемые абзацы, которые вы действительно сможете использовать.

Другие источники с той же проблемой

PDF-файлы являются худшим нарушителем, но та же проблема с ломаными линиями проявляется и в других местах. Текст, скопированный из электронных писем, особенно из пересылаемых, часто приходит с жесткими разрывами строк фиксированной ширины. Некоторые веб-страницы и комментарии к коду заключают текст в настоящие разрывы строк. Текст из старых документов и вывод терминала могут делать то же самое. Исправление в каждом случае одинаковое: соедините строки внутри абзацев, сохраните разрывы абзацев и очистите пустые места. Как только вы распознаете закономерность, вы рефлекторно исправите ее.

Рабочий процесс с чистым текстом

Для полностью беспорядочно вставленного текста трехэтапная очистка позволяет справиться практически со всем: удалить лишние разрывы строк, чтобы воссоединить абзацы, удалить пустые строки, чтобы очистить пробелы, и удалить лишние пробелы, чтобы нормализовать любые двойные или случайные пробелы, оставленные источником. Поскольку все эти инструменты запускаются в браузере, вы можете очистить конфиденциальный документ без его загрузки. В результате получается текст, который выглядит и ведет себя так, как будто он изначально был набран чисто.