줄 바꿈 제거

PDF 텍스트가 깨져서 붙여넣어지는 이유

PDF는 단락을 저장하지 않습니다. 좌표에 글리프를 저장합니다. PDF 뷰어에서 텍스트를 선택하여 복사하면, 뷰어는 읽기 순서를 재구성하고 시각적 줄이 끝나는 곳 — 문장 끝이 아닌 열 가장자리 — 에 줄 바꿈을 삽입합니다. 그것을 문서에 붙여넣으면 모든 줄이 중간에 멈춥니다.

이메일 클라이언트는 다른 방식으로 같은 문제를 일으킵니다. 일반 텍스트 이메일은 전통적으로 약 72자에서 하드 랩하므로, 전달된 텍스트가 미리 깨져서 도착합니다. 고정된 눈금이 있는 코드 편집기도 마찬가지입니다.

해결책은 두 종류의 줄 바꿈을 구별하는 것입니다. 단락 내의 단일 줄 바꿈은 아티팩트이며 공백이 되어야 합니다. 단락 사이의 빈 줄은 의미가 있으며 살아남아야 합니다. "단락 구분 유지"가 정확히 그렇게 합니다. 의도적으로 모든 것을 한 줄에 넣고 싶을 때만 끄세요.

작동하는 정리 순서

텍스트가 잘못 형식화되어 도착하면, 작업 순서가 중요합니다. 잘못된 순서로 실행하면 틈이 남습니다.

1. 먼저 보이지 않는 문자를 제거. 폭 제로 공백과 바이트 순서 표시는 대부분의 다른 작업을 살아남고 나중에 검색을 망칩니다.
2. 각 줄을 다듬기하여, 줄이 결합될 때 트레일링 공백이 이중 공백이 되지 않도록 합니다.
3. 단락 구분을 유지하면서 줄 바꿈을 제거.
4. 여분의 공백을 통합하여 결합을 정리합니다.
5. 빈 줄을 마지막에 제거하여, 실제 구조를 볼 수 있게 합니다.

하이픈 연결은 이 도구가 의도적으로 추측하지 않는 경우입니다. PDF는 종종 하이픈으로 단어를 여러 줄로 나눕니다. "compre-"와 "hension"을 자동으로 다시 연결하면 "state-of-the-art"와 같은 진짜 하이픈도 파괴되므로, 안전한 동작은 남겨두고 남은 하이픈을 스스로 검색하게 하는 것입니다.