文本清理
如何清理从 PDF 复制的文字
从 PDF、电子书或旧邮件复制的文字,粘贴到别处时常常出问题:每个印刷行末尾都有换行、英文单词被连字符拆成两半、出现双空格、有妨碍搜索的不可见字符,还有代码和表格不接受的弯引号。本工具一次性修复这些问题,并显示每一步修改了多少处,让你看清原文哪里有问题。
三个步骤
- 1 把杂乱的文字粘贴到左侧输入框。
- 2 保留默认步骤,或取消勾选不需要的步骤。每一步旁边的数字表示它修改了多少处。
- 3 检查右侧清理后的文本,然后复制。
为什么 PDF 文字每行都会断开
PDF 并不保存段落,而是保存放在页面固定位置上的一行行文字。复制时,每个印刷行都会变成单独的一行,段落就成了一叠短行。“合并断开的行”会把同一段的各行重新接起来,“保留段落”则把空行当作段落结束。中文、日文这类词与词之间不加空格的文字,合并时不会插入空格;中文与英文之间则保留一个空格。如果 PDF 的段落之间没有空行,所有内容会合成一块,请在每段开头前加一个空行。保留段落时,以项目符号或编号(-、•、1.、a))开头的行会被视为列表项,各自保持独立一行。
被连字符拆开的单词
英文两端对齐排版时,长单词会在行尾被拆开,例如上一行“sen-”、下一行“tence”。当一行以字母加连字符结尾、下一行以小写字母开头时,工具会去掉连字符并拼成“sentence”。需要注意的是,本来就带连字符的词(如“well-known”)如果恰好在连字符处换行,也会变成“wellknown”。中文内容不受影响。
不可见字符
不换行空格看起来和普通空格一样,其实是另一个字符,所以搜索时可能找不到。零宽空格、零宽连接符和 BOM 完全不占位置,却会把词拆开、让密码和代码出错,并让两行看起来一模一样的文字变得不同。本工具把不换行空格和细空格换成普通空格,并删除零宽字符和软连字符。零宽连接符(ZWJ)会被特意保留,因为表情符号组合和印地语等文字需要它。全角空格作为中文的正常字符也会保留。不可见的方向标记(LRM、RLM)也会被删除。此外,PDF 常把 fi、fl、ffi 等字母组合存成一个连字字符(fi、fl、ffi),看起来没问题,搜索和拼写检查却认不出这个词;“拆分连字”会把它们还原成普通字母。
弯引号还是直引号?
文字处理软件和 PDF 会把 " 和 ' 变成弯引号(“ ” ‘ ’)。印刷时更美观,但代码、JSON、CSV 文件、表格公式和命令行只认直引号。本工具会把单、双弯引号(包括下方的 „ ‚)转换成直引号。直角引号「」『』以及表示英尺、英寸和分钟的 ′ ″ 不会改动。