有没有一种有效的方法可以在没有换行符的情况下从 PDF 复制文本？

Question

我需要从 PDF 中获取数千个文本片段到电子表格。它们很短，很少超过 2-3 行，但是每次换行都会创建一个新单元格，我必须手动修复它，这会花费很多时间。

因为我有这么多，使用“粘贴到 Word 中并执行查找和替换”的解决方法对我来说太浪费时间了。有没有办法让换行符在复制时消失？也许有一个查看器为此提供了特殊的复制模式，或者有一个插件？

这些文件是科学文章。文字排列相当线性。您可以假设我正在复制的文本不在表格或浮点数内，也没有旋转或任何东西。（如果发生这样的事情，我想我会手动处理）。文本通常设置在两列中，但我可以毫不费力地从其列中标记我需要的文本。我不需要保留任何特殊格式。例如，我愿意尝试一种删除所有不可打印字符的解决方案。文本是英文的，如果解决方案仅适用于 ASCII/剥离复制文本的所有非字母数字 ASCII，则可以。

我非常喜欢可以在 Linux 上运行的解决方案，可能是某种 Okular 插件。但是，如果碰巧有仅适用于 Windows 的解决方案，我也想听听。我在 Windows 机器上有一个最近的 Acrobat Pro 的许可证。

Answer 1

不久前我在处理文本到语音脚本时遇到了类似的问题。我的脚本会尝试通过查找换行符来将输入的文本分成块。对于 PDF 文件，由于每行以换行符结尾的方式，这会导致混乱。

所以我所做的就是撰写了几sed和tr命令只考虑了句号作为实际换行符结束换行符。它不是很漂亮，但它奏效了。

使用这个片段，我为你写了一个小脚本，希望对你有所帮助：

#!/bin/bash

# title: copy_without_linebreaks
# author: Glutanimate (github.com/glutanimate)
# license: MIT license

# Parses currently selected text and removes 
# newlines that aren't preceded by a full stop

SelectedText="$(xsel)"

ModifiedText="$(echo "$SelectedText" | \
    sed 's/\.$/.|/g' | sed 's/^\s*$/|/g' | tr '\n' ' ' | tr '|' '\n')"

#   - first sed command: replace end-of-line full stops with '|' delimiter and keep original periods.
#   - second sed command: replace empty lines with same delimiter (e.g.
#     to separate text headings from text)
#   - subsequent tr commands: remove existing newlines; replace delimiter with
#     newlines
# This is less than elegant but it works.

echo "$ModifiedText" | xsel -bi

该脚本使用xsel解析当前突出显示的文本，然后用修改它sed和tr我在上面提到的命令行。处理后的文本然后通过 传递回剪贴板xsel -bi。

以下是在您的场景中使用脚本的方法：

1. 确保您已xsel安装（sudo apt-get install xsel在 (K)Ubuntu 上）
2. 将脚本另存为copy_without_linebreaks或类似的东西并使其可执行
3. 将脚本分配给您在 WM 首选项中选择的热键
4. 突出显示一些文本并按热键
5. 剪贴板应自动填充修改后的文本

Answer 2

这一直困扰着我多年，所以我想出了一个使用Autohotkey的通用（Windows）解决方案。Autohotkey 是一款适用于 Windows 的轻量级、免费、开源脚本软件，可为几乎所有可以想象的事物创建热键。

当Ctrl+c被点击时，代码仅在活动窗口是 PDF 阅读器时触发，否则它会像往常一样简单地复制给定的选择。如果是 PDF 阅读器，它会复制选择、删除换行符和双空格并将结果放入剪贴板。如果未选择任何内容，则剪贴板实际上不会受到影响。

#IfWinActive ahk_class classFoxitReader
^c:: 
    old := ClipboardAll
    clipboard := ""
    send ^c
    clipwait 0.1
    if clipboard = 
        clipboard := old
    else {
        tmp := RegExReplace(clipboard, "(\S.*?)\R(.*?\S)", "$1 $2")
        clipboard := tmp
        StringReplace clipboard, clipboard, % "  ", % " ", A
        clipwait 0.1
        }
    old := ""
    tmp := ""
return

应用此代码之前的唯一任务是ahk_class阅读器的窗口类名称 ( )。我在所有情况下都使用一个 PDF 阅读器（我假设大多数人都这样做），FoxitReader，它ahk_class是classFoxitReader. 您可以通过WinGetClass命令（例如AcrobatSDIWindowAcrobat Reader）轻松找出您自己软件的类别。

如果您更喜欢在浏览器中阅读 PDF-s，这不是您的解决方案。或者您可以简单地删除该#IfWinActive ahk_class classFoxitReader行，以便代码始终触发，但在这种情况下，结果将始终去除换行符和双空格。