Очистка текста - удалить переносы строк и лишние пробелы
Очистка текста
Как очистить текст, скопированный из PDF
Текст из PDF, электронной книги или старого письма выглядит нормально, пока его не вставишь в другое место: перевод строки в конце каждой печатной строки, слова, разорванные переносом, двойные пробелы, невидимые символы, из-за которых не работает поиск, и типографские кавычки, которые не принимают код и таблицы. Инструмент исправляет всё за один проход и показывает, сколько изменений сделал каждый шаг.
Три шага
- 1 Вставьте неаккуратный текст в левое поле.
- 2 Оставьте шаги по умолчанию или снимите ненужные галочки. Число рядом с каждым шагом показывает, что он изменил.
- 3 Просмотрите чистый текст справа и скопируйте его.
Почему текст из PDF рвётся на каждой строке
PDF хранит не абзацы, а строки, расставленные на странице по фиксированным координатам. При копировании каждая печатная строка становится отдельной строкой, и абзац превращается в стопку коротких строк. «Склеить оборванные строки» соединяет строки абзаца обратно, а «Сохранить абзацы» считает пустую строку концом абзаца. Если в PDF между абзацами нет пустых строк, всё сольётся в один блок: добавьте пустую строку там, где должен начинаться абзац. Пока абзацы сохраняются, строки, начинающиеся с маркера или номера (-, •, 1., a)), считаются пунктами списка и остаются отдельными строками.
Слова, разорванные переносом
При выключке по ширине длинные слова переносятся: «кон-» на одной строке, «чалась» на следующей. Если строка кончается буквой и дефисом, а следующая начинается со строчной, инструмент убирает дефис и склеивает «кончалась». Ловушка: настоящее слово с дефисом, разорванное как раз на нём, например «северо-запад», станет «северозапад». Проверьте такие слова или отключите опцию, если их много.
Невидимые символы
Неразрывный пробел выглядит как обычный, но это другой символ: поиск «очистка текста» не найдёт фрагмент, где слова разделены неразрывным пробелом. Пробелы нулевой ширины, соединители слов и метки порядка байтов вообще не занимают места, но разрывают слова, ломают пароли и код и делают две одинаковые на вид строки разными. Инструмент заменяет неразрывные и узкие пробелы обычными и удаляет символы нулевой ширины и мягкие переносы. Соединитель нулевой ширины оставлен намеренно: он нужен эмодзи-последовательностям и письменностям вроде хинди. Невидимые метки направления письма (слева направо и справа налево) тоже удаляются. Кроме того, PDF часто хранит пары букв вроде fi, fl и ffi как один символ-лигатуру (fi, fl, ffi): на вид всё верно, но поиск и проверка орфографии не узнают слово, поэтому «Разбить лигатуры» превращает их обратно в обычные буквы.
Типографские или прямые кавычки?
Текстовые редакторы и PDF превращают " и ' в типографские кавычки. В печати они смотрятся лучше, но код, JSON, CSV-файлы, формулы таблиц и командная строка понимают только прямые. Инструмент заменяет одинарные и двойные «лапки», включая нижние „ ‚, на прямые кавычки. «Ёлочки» « » и штрихи ′ ″ для футов, дюймов и минут не трогаются: это не изогнутые варианты прямой кавычки.