Réparer les sauts de ligne d'un PDF

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.

Ce que fait l'opération

Le PDF place les caractères par coordonnées sur la page, et la notion de paragraphe y est faible. Au copier-coller, chaque ligne visible à l'écran reçoit donc un saut de ligne et les phrases sont coupées au milieu. Cette opération recolle ces lignes pour rétablir les paragraphes.

Règles de traitement

• Les lignes vides sont considérées comme des limites de paragraphe et conservées.
• Les lignes d'un même paragraphe sont recollées. Les lignes en alphabet latin ou en hangul (coréen) sont reliées par un espace ; entre des caractères d'écritures sans espace entre les mots, comme les sinogrammes et les kana japonais, la jonction se fait sans espace.
• Les lignes qui commencent par une puce ou un numéro, comme -, • ou 1., restent des lignes distinctes.

Options

• Recoller les mots coupés par un trait d'union en fin de ligne : réunit les mots coupés en fin de ligne par la composition anglaise, comme infor- / mation, en information. La jonction n'a lieu que si la ligne suivante commence par une minuscule : une graphie comme well-Known est donc préservée.
• Ligne courte + ponctuation = fin de paragraphe : dans les PDF où les paragraphes se suivent sans ligne vide, une ligne qui se termine par un point ou une ponctuation similaire et qui est nettement plus courte que la plus longue ligne du paragraphe est considérée comme la dernière du paragraphe, et le saut de ligne est conservé.

Limites

Dans les articles mis en page sur deux colonnes, l'ordre même du copier-coller peut être mélangé, ce que cette opération ne résout pas. Si des en-têtes ou numéros de page s'intercalent dans le texte, supprimez-les d'abord avec Filtrer les lignes. La démarche complète est décrite dans le guide sur les sauts de ligne des PDF.