Sortörések eltávolítása

A PDF nem tárol bekezdéseket. A szöveget sorokban, rögzített pozícióba helyezve tárolja az oldalon, ezért ha belőle másol, a nyomtatott oszlop minden sora általában saját sortöréssel érkezik. A sima szöveges e-mailnek hasonló a múltja: az RFC 5322 egy sort legfeljebb 998 karakterben korlátoz, és legfeljebb 78 karaktert javasol, ezért sok levelezőprogram 72–76 karakternél tördeli az üzeneteket, és a törések a szöveg máshová illesztésekor is megmaradnak. A terminálkimenet, a feliratok, az OCR-eredmények és a keskeny weboldaloszlopokból másolt szöveg ugyanígy viselkedik.

Dokumentumba, űrlapba vagy fordítóeszközbe illesztve ezek a törések félbevágják a mondatokat, és összezavarják a helyesírás-ellenőrzőt és a gépi fordítást. A sorok összefűzése helyreállítja a mondatokat, az üres sorok elválasztóként való megtartása pedig megőrzi a szerző által szánt bekezdésszerkezetet.

A sorvégjelek az írógépekig és távírókig nyúlnak vissza: a kocsivissza (CR) a nyomtatófejet a bal margóra állította, a soremelés (LF) pedig egy sorral előbbre tolta a papírt. A Windows mindkét karaktert megtartotta, ezért a szövegfájljaiban minden sor CRLF-fel végződik; a Unix, a Linux és a modern macOS csak LF-et használ; az OS X előtti klasszikus Mac OS csak CR-t. A rendszerek között mozgó szövegben gyakran keverednek, ezért egy fájl az egyik szerkesztőben egyszeres sortávolságúnak, a másikban dupla sortávolságúnak vagy összefolyónak látszhat.

Az eszköz mindhármat sortörésnek tekinti, így nem kell tudnia, melyik van a szövegében. Bekapcsolt bekezdésbeállításnál az üres vagy csak szóközt és tabulátort tartalmazó sor bekezdéshatárt jelöl; a bekezdéseket egy üres sorral elválasztva, LF-fel írja vissza.

Szóközzel fűzzön össze az angol és más olyan nyelveknél, ahol a szavakat szóköz választja el; semmivel a kínai, japán és thai szövegnél, ahol a plusz szóköz a mondat közepére kerülne. A szóközök összevonása a sorkizárt PDF-szövegből visszamaradt dupla és tripla szóközöket egyesre cseréli. Egyet szándékosan érintetlenül hagy az eszköz: a sor végén álló kötőjelet. Az „infor-” után következő „mation” így „infor- mation” lesz, mert csak ember tudja megkülönböztetni az elválasztott szót a valódi kötőjeles összetételtől, például a „well-known” alaktól. Utána keressen rá a „- ” karaktersorozatra, és javítsa ki ezeket. Ha a megtisztított szöveg lista, folytassa az ismétlődő sorok eltávolításával, vagy ellenőrizze a hosszát a szószámlálóban.