去除换行符

如何修复换行

1. 1

   粘贴断开的文本

   或者拖入最大5 MB的.txt或.md文件。

2. 2

   选择处理方式

   默认是合并为段落，修复PDF文本用的就是这个模式。

3. 3

   复制或下载

   点一下复制到剪贴板，再点一下下载.txt文件。

为什么从PDF复制的文本是断开的

PDF不保存段落。它保存的是每段文字在页面上的位置，复制时，阅读器在每个视觉行的末尾加一个换行符来还原阅读顺序。把它粘贴到任何会自动换行的地方，就会得到一列参差不齐的文字，每八九个单词就断一次。解决办法是把同一段里的行连起来，同时保留段落之间的空行。这里的默认模式做的就是这件事，这也是为什么默认不是把所有内容并成一行。

去掉断词连字符，但不破坏真正的连字符

PDF还会用连字符把单词拆到两行，于是“understand”变成了“under-”和“stand”。如果把换行前的连字符全部删掉，“well-known”“twenty-four”以及所有恰好在行尾换行的真正连字词也会遭到破坏。这里用的规则要求连字符两边都是小写字母：音节断开处总是这样，而复合词往往有一边是大写字母或数字。这个规则并不完美，但比简单粗暴的做法准确得多。

一句一行

起点相同，任务不同：不是把行连起来，而是让每个句子单独占一行。对比文档的两个版本之前、把文本交给翻译记忆库之前，或者逐行审阅文章时，需要的就是这个。找出句子在哪里结束，意味着要正确处理“Dr. Smith”“e.g.”和“3.14”。这个页面用的规则和“字数统计”相同，而不是见到句号就断开。

按宽度换行

反向操作：把连续的文本按固定列数断行，纯文本邮件、提交信息和代码注释都要求这种格式。换行采用贪心算法，按单词断开；比宽度还长的单词单独占一行，而不是切成两半：切开的URL就不再是链接，切开的标识符也不再是标识符。

看不见的字符

来自PDF和网页的文本常常带着软连字符和零宽空格：这些字符看不见，复制粘贴后仍然存在，之后会悄悄破坏搜索、行长统计和单词匹配。这里在做任何处理之前先把它们删掉。如果你曾经奇怪过，为什么明明看得见的单词却搜不到，原因就在这里。

常见问题