从 PDF 复制文本并将其粘贴到 Word 或文本编辑器中通常会产生混乱的断线。 PDF 中的每一行都会成为粘贴输出中的一个单独段落，并且带有硬换行符，导致文本无法作为连续散文进行编辑。在PDF 到 Word 转换或复制后删除这些不需要的换行符是一项格式清理任务，可以通过查找和替换以及一些键盘快捷键来自动化。
要点
PDF 文本提取在每条视觉线的末尾放置一个硬换行符。当粘贴到文本编辑器中时，每一行都成为一个单独的段落。最快的修复方法是使用通配符进行查找和替换，删除单换行符，同时保留真正段落之间的双换行符。这个单一操作可以在几秒钟内将破碎的文本转换为流畅的段落。
为什么 PDF 文本复制时有如此多的换行符
PDF 将文本存储为单独的线条对象，每个对象位于页面上的特定坐标处。与文本从一行连续流到下一行的文字处理文档不同，PDF 没有流动文本的概念。每条线都是一个单独的对象。当您复制文本时，提取过程会按顺序读取这些行对象，并在每个对象后放置一个换行符，因为它无法区分结束段落的换行符和仅在段落内换行的换行符。
对于多列 PDF 和从格式化文本文档创建的 PDF，该问题最为明显。 PDF 中跨越四条视线的段落在粘贴时会变成四个单独的段落，每个段落都以段落标记结尾。编辑此文本需要手动将各行重新连接在一起，这对于多个段落而言非常乏味。查找和替换方法可以自动重新连接。
通过查找和替换删除单行中断
使用查找和替换连接断线后，扫描文本以查找本应保留但未保留的段落分隔符。项目符号和编号列表是最常见的伤亡，因为每个项目符号或编号都在自己的行上。查找和替换方法将它们连接成一个段落。手动恢复每个项目符号或数字之前的换行符。此清理步骤需要几分钟，但会生成精美的最终文档。
将复制的文本粘贴到 Word 中。使用 Ctrl+H 打开“查找并替换”。在“查找内容”字段中，键入 ^p 以匹配段落标记。在替换为字段中，键入一个空格。单击全部替换。文档中的每个段落标记都替换为空格，将所有文本连接成一个段落。这太激进了，因为它还删除了真正段落之间的段落标记。要解决此问题，请首先保护分隔实际段落的双段落标记。首先将 ^p^p 替换为 @@PARA@@ 等占位符。然后将剩余的单个 ^p 标记替换为空格。最后，将 @@PARA@@ 替换为 ^p^p 以恢复段落分隔符。
通配符查找和替换方法可以扩展以处理更复杂的清理模式。可以通过在删除常规换行符之前使用占位符替换标题文本模式（例如以冒号结尾的行，后跟段落标记）来保护具有节标题的文档。连接正文文本行后，从占位符恢复标题分隔符。这保留了段落结构和标题分隔。
在 Word 中，这个三步过程大约需要 30 秒，适用于任何长度的文本。关键是使用不在文档文本中任何位置出现的占位符。替换单个换行符后，文本将作为连续段落流动。每个原始段落分隔符都保留为双换行符。该文档现在可以像普通散文一样进行编辑。 WukongPDF 的PDF 格式 工具在转换过程中保留段落结构，减少复制后所需的手动换行清理量。
使用在线文本清理工具进行快速修复
一键清理可以节省几分钟的手动逐行编辑时间。
对于从经过 OCR 处理的扫描 PDF 复制的文本，OCR 错误会加剧换行问题。每个错误识别的字符都会给已经损坏的文本增加噪音。在这种情况下，请在删除换行符后通过拼写检查器运行文本。拼写检查器可以捕获换行符删除无法解决的 OCR 错误。换行符删除和拼写检查的结合可以从扫描文档中产生最干净的输出。
一些免费的在线工具专门用于清理从 PDF 复制的文本。将复制的文本粘贴到工具中，它会自动删除单行分隔符，同时保留段落分隔符。这些工具使用与手动查找和替换方法相同的逻辑，但只需单击一下即可应用。它们非常适合一次性文本清理任务，在这些任务中，在 Word 中设置查找和替换比该任务所需要的工作量更大。
选择在线文本清理工具时，请注意您正在将潜在敏感文本粘贴到第三方网站中。对于机密文档，请在本地应用程序中使用手动查找和替换方法，而不是在线工具。手动方法可以离线工作，将文本保存在计算机上，并产生相同的结果。
防止未来副本中出现换行问题
文本提取的质量还取决于 PDF 的创建方式。由文字处理器生成的 PDF 通常比通过扫描和 OCR 创建的 PDF 具有更好的内部文本排序。文字处理器生成的 PDF 中的文本顺序遵循原始文档的阅读顺序。 OCR 生成的 PDF 中的文本顺序遵循 OCR 引擎识别文本的空间顺序，这可能与多列或复杂布局中的阅读顺序不匹配。
如果您经常需要从 PDF 复制文本，请调整您的工作流程以最大程度地减少清理负担。在复制文本之前将 PDF 转换为 Word，而不是直接从 PDF 查看器复制。 PDF 到 Word 转换工具旨在处理换行符连接并生成流畅的文本。转换后的 Word 文档仍需要一些清理，但远远少于直接从 PDF 查看器复制的文本。
要创建其他人需要从中复制文本的 PDF，请在 PDF 创建过程中启用辅助功能标记。带标签的 PDF 包含告诉文本提取工具段落开始和结束位置的结构信息。从带标签的 PDF 复制的文本比从未带标签的 PDF 复制的文本要清晰得多，因为提取工具使用段落结构标签，而不是根据行位置猜测段落边界。
从 Word 生成 PDF 时，请在 PDF 导出设置中启用“文档结构标记以实现辅助功能”选项。这会将结构信息嵌入到 PDF 中，文本提取工具可使用该信息来识别段落边界。从带标签的 PDF 中提取的文本的虚假换行次数明显减少，因为提取工具从结构标签中了解段落的开始和结束位置，而不是根据行位置进行猜测。
常见问题
原始 PDF 中使用的字体是否会影响文本副本的清晰程度？是的，显着。使用标准 PostScript 或 TrueType 字体以及适当编码的 PDF 比使用自定义编码字体的 PDF 复制得更干净。某些自定义字体使用非标准字符映射，其中显示为字母 A 的内容在内部存储为完全不同的字符代码。当您从此类 PDF 复制文本时，提取的文本可能包含完全错误的字符。除了基于 OCR 的提取之外，没有其他方法可以解决字体编码问题。
为什么从 PDF 粘贴的文本有时会在单词中间插入随机空格？这称为文本碎片，当 PDF 将单个字符或一小组字符存储为单独的文本对象时，就会发生这种情况。 PDF 查看器在文本提取期间在对象之间插入空格。没有自动修复。唯一的解决办法就是人工校对。使用正确的字体嵌入和文本编码创建的 PDF 不太可能出现碎片。
有没有一种方法可以从 PDF 中复制文本而不出现任何换行符？一些 PDF 到文本提取工具会根据设计生成连续的段落。这些工具分析文本布局并连接属于同一段落的行。输出比复制粘贴更干净，但需要使用提取工具而不是标准的选择和复制方法。对于频繁的文本提取，投资专用的提取工具可以节省大量的清理时间。
为什么粘贴的 PDF 文本有时会在单词中间有多余的空格？
当 PDF 将每个字符或一小群字符存储为单独的文本对象且它们之间有很小的间隙时，就会发生这种情况。文本提取过程会在每个间隙处插入一个空格。没有自动修复此问题的方法，因为这些空格与合法的单词空格无法区分。手动校对和修正是唯一的解决办法。创建具有正确字体嵌入的 PDF 可以减少字符级文本碎片的发生。
我可以从 PDF 表格复制文本而不破坏列对齐吗？
标准复制粘贴不保留表结构。所有列中的文本均按阅读顺序提取，从而产生混乱的序列。要复制保留列的表数据，请使用可检测表结构的 PDF 到 Excel 转换工具。 Excel 输出保留列对齐方式，您可以从 Excel 中复制，结构保持不变。
PDF 查看器会影响文本复制的清晰程度吗？
是的。 Adobe Acrobat 的文本提取通常是最干净的。基于浏览器的查看器通常会产生更多换行符，因为它们针对显示而不是文本提取进行了优化。如果您需要经常复制文本，请使用专用的 PDF 阅读器进行提取，而不是基于浏览器的查看器。