为什么从 PDF 复制会丢掉格式

你在 PDF 里选中一段，复制，粘进文档，结果一团乱。每一行后面都有一个换行。单词之间没有空格，粘成一坨。如果是两栏的论文，左右两栏还会一句一句交错，读都读不通。

这不是你的阅读器有 bug。这是你向一个只存储外观的格式索要含义时，必然发生的事。

了解 PDF 当初是为什么设计的会有帮助。它是一种页面描述格式，目标是让文档在任何地方打印出来都一模一样。为了保证这一点，它记录精确位置：把这个字形放在这个坐标，用这个字体，这个字号。

它不记录的是结构。文件里没有任何标记说「这是一个段落」「这是一个标题」「这两块是分开的两栏」。字处理软件的文件会存这套层级；而 PDF 在写出文件的那一刻就已经把它扔了，因为打印机不需要。

所以你一复制，阅读器只能从坐标反推结构。它看位置，然后猜。有时候猜得不错。遇到带脚注和页眉的两栏排版时，通常猜不对。

每行后面都有换行。在 PDF 里，每一个视觉行都是一个独立定位的文字对象——两端对齐就是这么实现的。文件里没有任何信息说明哪些行属于同一段，所以把每行当成独立一行的阅读器是在照字面办事，不是敷衍。

单词粘在一起。空格字符经常根本不存储。生成器不写空格，而是把绘制位置往右推进一个空格的宽度。视觉上完全一样，但没有空格字符可供复制。阅读器必须从水平间隙的大小去推断词边界。

两栏交错。文字对象按生成器写出的顺序存储，而那个顺序常常是横跨整页从上到下，而不是先走完一栏再走下一栏。按文件顺序读，你就会在两栏之间来回跳。这就是学术 PDF 最容易出问题的原因。

专门的提取器会做阅读器跳过的那部分重建工作。它按垂直位置排序来建立真实的阅读顺序，而不是相信文件顺序。它测量水平间隙来判断词从哪里分开。它比较行距来区分换行和真正的段落分隔。它还会检测那道指示两栏的宽垂直间隙，从而先完整读完一栏再走下一栏。

这些都不是魔法——只是把规则应用到坐标数据上。但这决定了输出是能直接用，还是得靠手工修。

1. 1
   先粘成纯文本Ctrl+Shift+V（Mac 上是 Cmd+Shift+V）。这会剥掉粘过来的一堆字体和字号，让你只需要对付一个问题而不是两个。
2. 2
   用查找替换修换行在大多数编辑器里：先把连续两个换行替换成一个占位符，再把剩下的单个换行替换成空格，最后把占位符还原成段落分隔。这样换行的行会重新连成段落，而真正的段落分隔得以保留。
3. 3
   搜索连字符模式查找「- 」（连字符后面跟空格），逐个检查。大多数是断词，可以直接合起来；少数是真正的复合词。
4. 4
   两栏文档请正经提取不要试图手工把交错的两栏理顺。用能检测栏间距的提取器。这是唯一一种手工修复确实不值得花时间的情况。