O que é hifenização em PDF?
A hifenização é a prática de dividir uma palavra longa no fim da linha e marcar o corte com um hífen, para que as linhas do parágrafo fiquem bem preenchidas. Em um livro impresso esse trabalho é invisível, mas em um PDF o corte passa a fazer parte do texto. Ao copiar um parágrafo, buscar uma palavra ou converter o arquivo em documento editável, uma palavra como informação pode aparecer como infor- e mação em duas linhas separadas. Quem lê vê uma palavra só, enquanto o programa enxerga dois pedaços.
Hífen suave e hífen fixo
Um editor de texto pode inserir um hífen suave, que só aparece quando a palavra cai no fim da linha e some nos demais casos, ou um hífen fixo comum, que sempre faz parte da palavra, como em guarda-chuva. Quando o documento é exportado para PDF, o layout fica fixo e a diferença muitas vezes se perde. O texto extraído pode então trazer um hífen que era só uma quebra de linha, ao lado de hifens que pertencem a palavras compostas.
Efeito na busca e na extração
A busca por uma palavra inteira falha quando ela foi dividida em duas linhas, e o texto copiado mantém os pedaços quebrados. Isso também afeta o reconhecimento de texto em páginas digitalizadas, em que o programa lê o hífen como um caractere normal. A limpeza usual é juntar a palavra que termina a linha com hífen à primeira parte da linha seguinte, e manter o hífen quando a palavra é de fato composta.
Como usar o AuraDoc para isso
PDF para texto extrai as palavras de um arquivo como texto simples, PDF para Word transforma o documento em um arquivo editável e OCR de PDF reconhece o texto de páginas digitalizadas para que possa ser pesquisado. Depois de qualquer um deles, procure no resultado as palavras divididas no fim da linha. Cada resultado é um arquivo novo, então o original continua como estava.
Ferramentas que usam este termo
Guias que colocam o termo em prática
- Extrair o texto de um PDFPasso a passo: leia a camada de texto de um PDF, rode o reconhecimento de texto em uma digitalização e transforme o resultado em um arquivo Word editável.
- Editar um PDF como arquivo WordPasso a passo: veja se o PDF tem texto de verdade, rode o OCR se não tiver, converta para Word, compare com o original e salve o texto final de novo em PDF.
Perguntas frequentes
- Um hífen no fim da linha é sempre um hífen verdadeiro?
- Não. Muitas vezes é só uma quebra inserida para ajustar a linha. A linha seguinte começa com o resto da palavra, e as duas partes formam uma coisa só.
- Por que não acho uma palavra que estou vendo na página?
- Ela pode estar dividida em duas linhas pela hifenização, e a busca enxerga dois fragmentos em vez de uma palavra. Procurar por um trecho menor da palavra costuma resolver.
- Devo remover todos os hífens do texto extraído?
- Não. Só os que marcam uma quebra de linha. Hífens de palavras compostas e de intervalos fazem parte do texto e devem ficar.