なぜPDFからコピペすると改行や空白が崩れるのか

資料のPDFから一段落コピーして貼り付けたら、一行ごとにぶつ切りの改行が入っていた。
PDFを扱っていると、たいてい一度は通る道かと思います。

今回は、なぜあの崩れ方をするのかという話と、直す手立てを整理します。

PDFは「紙の見た目」を記録している

PDFは、文書の中身というより、紙に印刷したときの見た目を記録するための形式です。
そのため、文字は「この位置に、このサイズで、この文字を置く」という形で持たれています。

ここが肝心なところで、行の終わりに改行が入っているわけではありません。
私たちが行の切れ目に見ているものは、次の文字が一段下の座標に置かれた結果として、そう見えているだけ、ということになります。

段落という単位も、同じくデータとしては持っていないのが基本です。
「見た目としてそこに空きがある」だけで、ここからここまでが一段落、という情報が入っているとは限りません。

コピーは「並べ直し」の作業

では、コピーしたときに文章の形で貼り付けられるのはなぜかというと、PDFを開いているソフトの側が、バラバラに置かれた文字を座標から推測して並べ直しているためです。

推測なので、外れることがあります。
PDFのコピペで起きる困りごとは、だいたいこの並べ直しの副作用として説明がつきます。

• 一行ごとに改行が入る: 見た目の行の切れ目が、そのまま改行として書き出されるため。
• 語と語の間に空白が入る: 文字と文字の間隔が空いている箇所を、空白と解釈するため。日本語だと「日 本 語」のような形で出てきます。
• 英単語がハイフンで割れる: 行末で単語を分割する組版がそのまま出てくるため（exam- と ple に分かれる）。
• ページ番号やヘッダーが混ざる: 本文と同じ「ページ上の文字」なので、区別されずに書き出されるため。
• 2段組で左右が入り混じる: 同じ高さにある左右の段を、一続きの行と解釈してしまう場合があるため。

※スキャンした紙のPDFは、また別の話になります。中身が画像だけで文字のデータを持っていないため、そもそもコピーができません。この場合はOCR（画像から文字を読み取る処理）が必要です。

直し方は3通り

ひとつめは、手で直す方法。
エディタの置換機能で改行を消していくやり方で、短い引用ならこれがいちばん速いかと思います。
ただ、改行をまとめて消すと段落の切れ目まで消えるので、量が増えると厳しくなってきます。

ふたつめは、生成AIに整えてもらう方法。
文脈を見て直してくれる反面、消すだけのつもりが本文の語句まで書き換わっている場合があります。
元が長いほど、どこが変わったのかを突き合わせる手間がかかります。

みっつめが、崩れの型が決まっていることを利用して、機械的に直す方法です。
当サイトのPetaPDFはこの方向のツールで、貼り付けたテキストに対して、不要な改行の除去・語間の空白・ハイフン分割・ページ番号の混入といった項目を、それぞれオンオフしながら一括で処理します。

貼り付ける代わりに、PDFファイルをそのまま渡すこともできます。
この場合は、ツールがPDFの中身を解析して、どの文字がページのどこに置かれているかまで見たうえで整形します。
座標がわかるぶん、ヘッダーやフッターの自動判定など、貼り付けたテキストからでは難しい処理ができます。
※貼り付けたテキストもPDFファイルも、ブラウザの中だけで処理していて、外部のサーバーには送信されません。

崩れの理由がわかると、どこまで自動で直せてどこからが手作業かの線引きもつけやすくなります。
まずは一段落だけ貼って、どの項目が効くのか眺めてみるのが早いかと思います。