從 PDF 複製出來的文字，為什麼總是亂的？

你在 PDF 裡找到一段有用的內容，想放進筆記、留給同事，或拿來作為接下來提問的材料。選取、複製、貼上，看起來只需要幾秒鐘。

但貼上之後，一句話被拆成好幾行，英文單字從中間斷開，正文裡還混進了頁碼。原本只想摘下一段話，現在卻得一直按退格鍵。

如果文字順序沒錯，只是每一行都被拆開，可以先合併段落內的單獨換行，保留段落之間的空行。 標題、清單和行末連字號需要分開檢查；如果左右兩欄的句子已經交錯，先處理複製順序，不要直接刪除換行。

頁面上的一行，不一定是文字裡的一個段落

在 PDF 頁面上，一句話寫到右邊界就會換行。但這個視覺上的斷行可能只是受到紙張或欄寬限制，並不代表作者準備另起一段。

複製時，閱讀器需要把頁面上的文字重新組織成文字流，卻不一定能分清這兩種換行。pdfminer.six 的文字擷取說明介紹了如何根據字元位置和距離，把內容組合成文字行與文字區塊。頁面上看起來連在一起的內容，複製後仍可能被拆開。

下面用幾個簡單例子，看看可以怎麼處理。

把句子接起來，也把段落留下

先看一種相對適合整理的情況：每段話被拆成兩行，但段落之間還留著空行。

待整理文字：

We copied a paragraph
from the report into our notes.

The original page remains available
for checking names and numbers.

可以把上面的文字放進 iSomor 文字格式整理，依照以下三步處理：

1. 貼上文字。 先選一小段放入「原始內容」，段落之間的空行也一起保留。
2. 選擇選項並整理。 勾選「合併單獨換行」和「規範空格」，先不要勾選「接合行末斷開的單字」，再按「整理文字」。
3. 檢查後帶走結果。 對照兩邊內容，確認段落和單字沒有接錯，再複製文字或下載 TXT。

工具輸出：

We copied a paragraph from the report into our notes.

The original page remains available for checking names and numbers.

句子中間的斷行合併了，兩段話之間的分隔仍然保留。英文單字之間也留下空格，不會讓 paragraph 和 from 黏在一起。

這個例子裡，段內是單獨換行，段間是空行。如果複製後段落之間也只剩一個換行，可以先對照原文補上空行，再進行整理。

行末的連字號，不能一律刪掉

英文文件裡，單字可能因為排版在行末被拆開。例如：

The trans-
lation is ready for review.

這裡的 trans- 和下一行的 lation 原本是同一個單字。開啟「接合行末斷開的單字」後，工具會輸出：

The translation is ready for review.

但外觀看起來相似，不一定代表處理方式相同。再看一段原本使用 cross-validation 的文字：

We used cross-
validation to compare the models.

同樣開啟斷字接合後，實際輸出會是：

We used crossvalidation to compare the models.

換行消失了，但原本有意義的連字號也被刪掉。這裡應保留 cross-validation。

所以，可以先關閉斷字接合，確認確實是排版拆開的單字後再使用。如果材料裡還有複合詞或型號，先整理一般換行，再逐處檢查連字號會更穩妥。

標題和清單，需要留一點空間

並不是每個單獨佔一行的內容，都應該和下一行接起來。

例如下面這段文字，第一行是標題，接下來是說明和一份清單：

準備材料
先保留原始 PDF。

- 核對姓名
- 核對日期
- 核對金額

開啟「合併單獨換行」和「規範空格」後，工具實際輸出為：

準備材料先保留原始 PDF。

- 核對姓名
- 核對日期
- 核對金額

帶有 - 標記的清單保留下來了，但標題和正文合併了。「準備材料」變成純文字後，沒有字級或粗體資訊，只靠一個換行很難看出它是標題。

處理這種材料時，可以先在標題後補一個空行，再進行整理。用同樣的選項重新測試，得到：

準備材料

先保留原始 PDF。

- 核對姓名
- 核對日期
- 核對金額

補上空行，標題和正文就分開了。遇到更複雜的巢狀清單、表格或公式，建議單獨保留，不要和一般段落一起批次合併。

順序已經錯了，先別急著整理換行

如果左欄的句子後面接上了右欄內容，或頁碼夾在一句話中間，刪掉換行也不能把順序改對。可以先回到複製這一步處理：

• 兩欄交錯： 嘗試按單欄或小段重新選取、複製，並檢查貼上的順序；如果閱讀器仍把兩欄混在一起，再換一種擷取方式。
• 混入頁首、頁尾或頁碼： 對照頁面確認後，只刪除這些混入的部分。不要批次刪除所有單獨成行的數字，它也可能是正文編號或資料。
• 表格變成一串文字： 先核對表頭、單位和行列對應關係，再決定是否適合放進純文字筆記。空格變少，不代表表格恢復了。
• 複製後變成亂碼： 需要另外檢查文字層或字型編碼，格式整理不能修正這些字元。
• 掃描圖片沒有可複製文字： 需要先用 OCR 辨識。已有的 OCR 文字層也可能有辨識錯誤，不能把「能複製」當成「文字準確」。pypdf 的文件區分了原生文字 PDF、純掃描 PDF 和經過 OCR 的 PDF，這幾種檔案的文字來源並不相同。

使用複製結果前，再看這幾處

整理完一小段後，重點看一眼容易變化的位置：

• 每段開頭和結尾有沒有接錯；
• 英文單字是否黏在一起，有意義的連字號是否還在；
• 標題和清單是否仍然分開；
• 數字、單位、負號和公式符號有沒有缺失或錯位。

如果段落含有中文標點，也可以掃一遍標點附近。我們測試時，逗號後的換行合併後留下了一個空格，需要手動清理。先確認這一小段的處理方式合適，再套用到類似內容。

如果要把這段話當作引用，記得保留文件名稱、頁碼或連結，並確認文字與出處一致。

整理好，是為了接著做原本的事

文字格式整理的用途，是替你少刪一些重複換行、少處理一些多餘空格，而不是把所有內容壓成一段。正文接起來，標題和清單仍然分開，整理後的文字才方便繼續使用。

iSomor 把原始內容和結果放在一起，方便你看清楚變化。檢查好之後，就可以接著做筆記、摘錄和討論，把注意力放回原本想使用的那段內容。