如何整理从 PDF 复制的文本中错乱的换行

从 PDF 报告或论文中复制段落，粘贴到邮件或文档里时，屏幕上看到的每一行末尾都会带一个换行，句子被切成碎片。手动逐个删除，哪怕只有几页也要花很长时间。本文说明其原因和整理顺序。

为什么会断行

PDF 是把文字排在页面坐标上的格式。它往往不像 Word 文档那样单独保存“段落”这一单位，所以 PDF 阅读器在复制时会把屏幕上的一行原样输出为一行。结果是段落内每一行的末尾都带上了换行。英文文档还会因为在行尾用连字符拆分单词的排版方式，出现 infor- 和 mation 这样一个单词被分成两半的情况。

基本流水线

内置配方由以下四个步骤组成。

1. 整理不可见字符·引号 — 先整理从 PDF 带过来的 NBSP、零宽字符和弯引号。
2. 修复 PDF 复制的换行 — 把空行作为段落边界保留，把同一段落内的行接起来。
3. 整理连续空格·制表符 — 把两端对齐造成的多个空格缩减为一个。
4. 删除首尾空格 — 删除行首行尾残留的空格。

修复 PDF 复制的换行时，韩文和英文的行之间用一个空格连接，而汉字、假名这类不使用空格的文字之间直接拼接，不加空格。以 -、•、1. 这类项目符号或编号开头的行会保留为新行，所以列表不会被揉成一团。

本报告根据2025年下半年的
问卷调查结果
编写而成。

- 受访人数：1,204人
- 调查期间：11月

上面的输入会被整理成下面这样。

本报告根据2025年下半年的问卷调查结果编写而成。

- 受访人数：1,204人
- 调查期间：11月

中文、日文这类不用空格的文字会直接相连。但韩文会以一个空格连接，因此在韩文中原本不空格的位置（例如 작성 + 되었습니다）也可能被插入空格。工具无法判断换行处原本是不是空格的位置，所以请把结果通读一遍。

被连字符拆开的单词

开启“还原行尾连字符拆开的单词”后，只有当上一行以英文字母加 - 结尾、且下一行以小写字母开头时，才会把两半合并。如果下一行以大写字母或数字开头则不合并，所以 COVID- / 19 这样的写法会以空格相连。原本就带连字符的复合词（long- / term）恰好落在行尾时，可能会被合成 longterm，请在结果中确认。

混有页码和页眉时

一次复制多页时，页码、文档标题、日期等页眉页脚会夹在正文中间。这些行如果位于段落之内，就会和正文一起被接起来，所以必须把行过滤放在修复 PDF 换行之前。

1. 在流水线最前面添加 行过滤，把动作设为“删除包含的行”。
2. 开启“正则表达式”，在查找内容中填入 ^\d+$，只有数字的行（页码）就会被删除。
3. 如果页码前后有空格，请用 ^\s*\d+\s*$；如果是 - 12 - 的格式，请用 ^\s*-\s*\d+\s*-\s*$。
4. 反复出现的页眉，可以关闭正则表达式，直接填入那段文字（例如文档标题）来删除。过滤步骤可以放多个。

如果正文句子里也包含页眉文字，那一行也会被一起删除，所以请选择页眉独有的部分作为查找内容。

双栏排版的 PDF 要小心

像学术期刊那样一页分成两栏的 PDF，在某些阅读器中复制时，左栏和右栏的行会交替混在一起。这种情况下是行的顺序本身出了错，任何换行整理都无法纠正。请在阅读器中逐栏拖选、分别复制后再粘贴。

段落之间没有空行时

段落之间没有空行的 PDF，所有行都可能被合并成一个段落。开启“短行＋标点视为段落结尾”后，会把以句号等结尾、并且明显短于该段最长一行的行视为段落结尾，在此处断行。这是一种推测，如果短句恰好落在行尾，就可能被错误地拆开。

表格·脚注·图片说明

PDF 中的表格复制出来后，单元格往往只用空格分隔，或者每个单元格单独成行。如果把这部分和正文一起整理，单元格的值会像一句话一样连在一起，所以表格最好与正文分开复制处理。脚注编号会以与正文字号相同的数字被复制下来，有时会像 结果如此。3 这样紧贴在词语后面。工具无法区分脚注编号和正文数字，请只在需要的地方手动删除。图片说明（图注）如果没有空行、夹在正文中间，可能会与前后段落合并。

常用设置保存为配方

如果你修改了流水线，比如加入了页码过滤，请起个名字保存为配方。整理同一机构的报告这类格式相同的 PDF 时，就不必重新搭建步骤。配方只保存在这个浏览器中，粘贴的文本不会发送到服务器。

检查清单

• 页码·页眉过滤放在修复步骤之前。
• 双栏排版的文档按栏分别复制。
• 连字符复合词和韩文空格要亲眼检查结果。

最后更新: 2026-09-23