2段組のPDFをコピーすると文章が入り混じる

論文誌のPDFから本文をコピーしたら、左の段と右の段が一行おきに交互に並んでいた。
2段組のPDFで、たまに起きる現象です。

一行と見なされてしまう

前提として、PDFは文字を座標で持っていて、コピーするときはその座標から読み順を推測しています。

このとき手がかりになるのが、文字の高さです。
同じ高さに並んでいる文字は同じ行だろう、という推測が働きます。

2段組では、左の段の3行目と右の段の3行目が、ページ上で同じ高さに置かれています。
段組であることに気づかずに高さだけで並べると、この左右がつながって1行になります。
結果として、左・右・左・右と交互に混ざったテキストが出てくることになります。

※最近のビューアは段組を考慮するものも増えているようで、必ずこうなるわけではありません。資料と開くソフトの組み合わせ次第、というのが実際のところかと思います。

手作業で直すのはきつい

一度混ざってしまうと、元に戻すのは骨が折れます。
行単位で左右に振り分け直す作業になるので、ページ数があるとまず現実的ではありません。

段組のある資料で読み順が怪しいと感じたら、直すより先に、取り出し方を変えた方が早いかと思います。

段のかたまりを見つけてから読む

PDFファイルから直接テキストを取り出す場合は、座標がそのまま使えます。

まず、各行が横方向にどの範囲を占めているかを見ます。
ページの中央をまたぐ行がほとんどなく、中央付近に文字のない帯があれば、2段組と判断できます。
そのうえで、左側の行を上から下まで読み、それから右側に移れば、元の読み順が保てます。

PetaPDFのPDFファイル読み込みは、この形で並べ直しています。

判定は自動ですが、外れる資料もあります。
そのため「1段組に固定」「2段組に固定」の手動指定も用意しました。
段組なのは見ればわかるので、自動に任せて崩れたら手で指定する、くらいの気持ちで使ってもらえればと思います。

できないこと

まず、これで全部が解決するわけではありません。

3段組以上や、図表を挟んで段の構成が途中で変わるページは、判定しきれません。
その場合は高さ順の読み出しに切り替えたうえで、「読み順が乱れている可能性があります」という注意書きを出すようにしています。
縦書きのPDFも、v1の時点では正しく扱えない場合があります。

段組の判定は、ページの見た目からの推測です。
うまくいかない場合があるという前提で、出てきたテキストの冒頭だけでも目を通してもらえればと思います。