PDF 里的断字连字符是什么?
断字指的是在行尾把一个长单词拆开,并用连字符标出断点,使段落中的各行宽度更均匀。在印刷书籍里,这项工作看不见,但在 PDF 中,断点会成为文本的一部分。当你复制一段文字、搜索某个词,或把文件转换为可编辑文档时,像 information 这样的单词可能会变成 infor- 和 mation,分别出现在两行。读者看到的是一个词,程序看到的却是两个片段。英语、德语等经常断字的语言,这种情况尤其常见。
软连字符与硬连字符
文字处理软件里有两种连字符:软连字符只在单词落在行尾时显示,其余时候消失;硬连字符则始终是单词的一部分,例如 well-known。文档导出为 PDF 后,版面固定,这种区别往往就丢了。因此提取出来的文本里,既有只是换行造成的连字符,也有属于复合词的连字符。
对搜索和提取的影响
单词被拆到两行时,按整词搜索会失败,复制出来的文本也保留着断开的片段。扫描页面的文字识别也会遇到同样的问题,程序会把连字符当作普通字符来读。常见的整理方法是:把行尾带连字符的词与下一行开头的部分接起来,而真正的复合词则保留连字符。
在 AuraDoc 中怎么用
「PDF 转文本」把文件中的文字提取为纯文本,「PDF 转 Word」把文档变成可编辑文件,「PDF OCR」识别扫描页面上的文字,使其可以被搜索。无论用哪一个,都请在结果中检查是否有在行尾被拆开的单词。每个结果都是一个新文件,原文件保持不变。
用到这个术语的工具
提到这个术语的指南
常见问题
- 行尾的连字符一定是真正的连字符吗?
- 不一定。它常常只是为了适应行宽而插入的断点。下一行以单词的其余部分开头,这两部分本是一体。
- 为什么我搜不到页面上明明看得见的词?
- 它可能因断字被拆到了两行,搜索看到的是两个片段而不是一个词。搜索这个词较短的一部分,通常就能找到。
- 提取出的文本里,该把所有连字符都删掉吗?
- 不该。只删除那些标记换行的连字符。复合词和范围中的连字符属于文本本身,应当保留。