Limpador de Texto Copiado de PDF

Um PDF não guarda parágrafos, guarda glifos posicionados na página. Quando você seleciona um trecho e copia, o leitor transforma cada linha visual em quebra de linha de verdade, e o parágrafo chega picado a cada setenta caracteres. Junto vem o hífen que o diagramador usou para partir a palavra no fim da linha, então uma frase sobre o compositor aparece como compo-sitor no meio do texto colado.

A parte difícil não é juntar as linhas, é decidir quais juntar. A regra aqui olha dois sinais: a pontuação no fim da linha e o comprimento dela comparado à mediana do documento. Linha terminada em ponto, dois-pontos ou fecha-parênteses encerra o parágrafo; linha bem mais curta que as vizinhas quase sempre é a última de um bloco, um título ou um item de lista, e por isso também não é emendada na seguinte.

Um detalhe que ninguém espera: fi e fl costumam vir como um único caractere, a ligadura tipográfica que a fonte usa para aproximar as letras. O texto parece normal na tela, mas buscar por fiscal no Word não encontra nada, e um corretor ortográfico marca a palavra inteira como erro. Cabeçalho de revista repetido a cada página e numeração solta no meio da frase caem na mesma faxina.