从 PDF 复制出来的文字，为什么总是乱的？

你在一份 PDF 里找到一段有用的内容，想把它放进笔记，留给同事，或者作为接下来提问的材料。选中、复制、粘贴，看起来只需要几秒钟。

但粘贴之后，一句话被拆成了好几行，英文单词在中间断开，正文里还混进了页码。原本只想摘下一段话，现在却要先按很多次退格键。

如果文字顺序没错，只是每行都断开，可以先合并段内换行，保留段落之间的空行。 标题、列表和行末连字符需要分别检查；如果左右两栏的句子已经交错，就先处理复制顺序，而不是直接删除换行。

页面上的一行，不一定是文字里的一段

在 PDF 页面上，一句话写到右边缘就会换行。但这个换行可能只是因为纸张或栏宽不够，并不意味着作者准备另起一段。

复制时，阅读器需要把页面里的文字重新组织成文本，却不总能分清这两种换行。开源工具 pdfminer.six 的文字提取说明就介绍了如何根据字符的位置和距离，把它们组合成行与文本块。页面上看起来相连的内容，复制出来时仍可能被拆开。

下面用几个简单的例子，看看这些情况该怎么处理。

先看一种比较适合整理的情况：每段话被拆成两行，但段落之间还留着空行。

待整理文本：

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进 iSomor 文字格式整理，按这三步处理：

工具输出：

We copied a paragraph from the report into our notes.

The original page remains available for checking names and numbers.

句子中间的断行合并了，两段话之间的分隔还在。英文单词之间也留下了空格，没有让 paragraph 和 from 粘在一起。

这个例子里，段内是单个换行，段间是空行。如果复制后段落之间也只剩一个换行，可以先对照原文补上空行，再进行整理。

英文文档里，一个单词可能因为排版在行末被拆开。例如：

The trans-
lation is ready for review.

这里的 trans- 和下一行的 lation 原本是同一个单词。开启“拼接行末断开的单词”后，工具输出为：

The translation is ready for review.

但相似的外观，不一定意味着相同的处理方式。再看一段原本使用 cross-validation 的文本：

We used cross-
validation to compare the models.

同样开启断词拼接后，实际输出是：

We used crossvalidation to compare the models.

换行消失了，但原本有意义的连字符也被删掉了。这里应保留 cross-validation。

所以，可以先保持断词拼接关闭，确认是排版拆开的单词后再使用。如果材料里还包含复合词或型号，先整理普通换行，再逐处检查连字符会更稳妥。

并不是每个单独占一行的内容，都应该和下一行接起来。

比如下面这段文字，第一行是标题，接下来是说明和一份清单：

准备材料
先保留原始 PDF。

- 核对姓名
- 核对日期
- 核对金额

开启“合并单个换行”和“规范空格”后，工具实际输出为：

准备材料先保留原始 PDF。

- 核对姓名
- 核对日期
- 核对金额

带 - 标记的列表保留了，但标题与正文合并了。“准备材料”变成纯文本后，没有字号或加粗信息，仅靠一处换行，很难认出它是标题。

处理这种材料时，可以先在标题后面补一个空行，再进行整理。我们用同样的选项重新测试，得到：

准备材料

先保留原始 PDF。

- 核对姓名
- 核对日期
- 核对金额

补上空行，标题和正文就分开了。遇到更复杂的嵌套列表、表格或公式，建议单独保留，不和普通段落一起批量合并。

如果左栏的句子后面接上了右栏内容，或者页码夹在一句话中间，删掉换行也不能把顺序改对。可以先回到复制这一步处理：

两栏交错： 尝试按单栏或小段重新选择、复制，并检查粘贴顺序；如果阅读器仍把两栏混在一起，再换一种提取方式。
混入页眉、页脚或页码： 对照页面确认后，只删除这些混入的部分。不要批量删除所有单独成行的数字，它也可能是正文编号或数据。
表格变成一串文字： 先核对表头、单位和行列对应关系，再决定是否适合放进纯文本笔记。空格变少，不代表表格恢复了。
复制后变成乱码： 需要另查文字层或字体编码等问题，格式整理不能纠正这些字符。
扫描图片没有可复制文字： 需要先用 OCR 识别。已有 OCR 文字层也可能有识别错误，不能把“能复制”当成“文字准确”。pypdf 的文档区分了原生文字 PDF、纯扫描 PDF 和经过 OCR 的 PDF，这几种文件的文字来源并不相同。

整理完一小段后，重点看一眼容易变化的位置：

中文标点附近也可以扫一遍。我们测试时，逗号后的换行合并后留下了一个空格，需要手动清理。确认这一小段的处理方式合适，再用于类似的内容。

如果要把这段话作为引用，记得保留文献名称、页码或链接，并确认文字与出处一致。

文字格式整理的用途，是替你少删一些重复换行、少处理一些多余空格，而不是把所有内容都压成一段。正文接起来，标题和列表仍然分开，整理后的文字才方便继续使用。

iSomor 把原始内容和结果放在一起，方便你看清变化。检查好之后，就可以接着做笔记、摘录和讨论，把注意力放回原本想用的那段内容。