Limpeza de texto de PDF

Como limpar texto copiado de PDF

1. Cole o texto original para iniciar a limpeza automática. Escolha reparar parágrafos ou apenas espaços e ative alterações opcionais só quando necessário.
2. Reveja os excertos atualizados e decida se cada hífen duvidoso deve ser removido, mantido na junção ou deixado intacto. Cada decisão atualiza o resultado automaticamente.
3. Copie o resultado quando o processamento terminar. Alterar o texto ou as opções atualiza o resultado e repõe as decisões sobre hífens; ao escrever, aguarda-se uma breve pausa. Apagar elimina ambos os textos e restaura as opções iniciais.

O que esta ferramenta altera

Ao copiar de um PDF, cada linha visual pode tornar-se uma linha de texto. Esta ferramenta une linhas elegíveis, mas uma quebra não revela a intenção do autor. Preserva parágrafos vazios, listas reconhecidas, código delimitado ou indentado, linhas tabulares e URLs, emails e caminhos isolados. A pontuação de fim de frase também impede a junção. Títulos, poesia e citações não são reconhecidos perfeitamente: reveja ou use apenas espaços.

Um hífen no fim da linha pode dividir uma palavra ou fazer parte de uma palavra composta. Cada ocorrência tem a sua decisão e fica intacta por predefinição. O resultado parte sempre do original atual, sem acumular alterações ao repor escolhas. Limpar novamente um resultado já limpo pode revelar novas junções; a repetição não garante o mesmo resultado.

O modo automático só omite espaços entre caracteres Han adjacentes. Não identifica idiomas nem deduz todas as separações em japonês, coreano, tailandês ou khmer. As opções limitam-se a U+00AD, ff/fi/fl/ffi/ffl, U+00A0/U+202F e espaços ASCII repetidos. Estruturas protegidas ficam intactas. Tabulações, espaços finais de quebra, acentos combinantes, emoji, controlos de escrita e outros caracteres Unicode são preservados.

Exemplos: antes → depois

A wrapped ␊ sentence. → A wrapped sentence. (␊ indica uma quebra de linha, sem os espaços de apresentação à volta.)

inter-␊national → intacto por predefinição; remover o hífen produz international e mantê-lo produz inter-national. state-␊of-the-art → state-of-the-art ao manter o hífen.

中文␊文本 → 中文文本 no modo automático. file → file apenas com expansão de ligaduras. First paragraph.␊␊Second paragraph. mantém ambas as quebras.

Processamento local e limites

O texto é processado no navegador; esta ferramenta não envia nem guarda rascunhos. A análise e a publicidade partilhadas do site podem fazer pedidos de rede. Editores e excertos usam os atributos de ocultação do site. O limite de 500.000 unidades UTF-16 não conta caracteres visíveis: um emoji pode ocupar várias unidades. O texto acima do limite é preservado sem cortes.