استعادة فواصل الأسطر في نص PDF المنسوخ

Plain text copied from a PDF keeps every
visual line break, so sentences are cut
in the middle and long words are hy-
phenated at the end of a line.

A blank line still marks a new para-
graph, which is kept as it is.

Plain text copied from a PDF keeps every visual line break, so sentences are cut in the middle and long words are hyphenated at the end of a line.

A blank line still marks a new paragraph, which is kept as it is.

ماذا تفعل

PDF صيغة تضع الأحرف وفق إحداثيات على الصفحة، لذا فمفهوم الفقرة فيها ضعيف. ونتيجة لذلك يُدرَج عند النسخ فاصل سطر في نهاية كل سطر ظاهر على الشاشة، فتنقطع الجمل في منتصفها. تعيد هذه العملية وصل تلك الأسطر لاستعادة الفقرات.

قواعد المعالجة

• يُعَدّ السطر الفارغ حدًّا بين فقرتين ويُترك كما هو.
• تُوصَل الأسطر داخل الفقرة الواحدة. تُوصَل أسطر الهانغول والحروف اللاتينية بمسافة واحدة، أما الأحرف التي لا تُفصَل بمسافات كالهانزي/الكانجي والكانا فتُلصَق دون مسافة.
• تبقى الأسطر التي تبدأ برمز تعداد أو رقم مثل - و• و1. أسطرًا جديدة.

الخيارات

• استعادة الكلمات المقسومة بشرطة في نهاية السطر: في التنضيد الإنجليزي تُدمَج الكلمة المقسومة بشرطة في آخر السطر مثل infor- / mation لتصبح information. لا يحدث الدمج إلا إذا بدأ السطر التالي بحرف صغير، فتبقى الكتابات الخاصة مثل well-Known كما هي.
• اعتبار السطر القصير المنتهي بعلامة ترقيم نهايةً للفقرة: في ملفات PDF التي تتوالى فيها الفقرات بلا أسطر فارغة، يُعَدّ السطر الذي ينتهي بنقطة ونحوها ويكون أقصر بوضوح من أطول سطر في فقرته آخرَ سطر في الفقرة، فيُحتفَظ بفاصل السطر بعده.

القيود

قد يُنسَخ البحث ذو العمودين بترتيب مختلط أصلًا، وهذا لا تحلّه هذه العملية. وإذا تخللت الترويسات أو أرقام الصفحات النص، فاحذفها أولًا بـ تصفية الأسطر. تجد سير العمل الكامل في دليل فواصل أسطر PDF.