用Python实现复制英文PDF段落后自动去掉换行连字符

大家好，我是辰哥~

复制英文PDF段落自动去掉换行字符

问题描述：复制外文文献或者外文pdf段落内容时，出现很多的换行字符等。

本文来自读者投稿

作者博客：https://blog.csdn.net/amocken

需求or问题

我们想把英文PDF文献的一大段复制到word里面，或者复制到翻译软件里面进行翻译。

结果粘贴出来之后就是各种中间换行，完整的句子变成一段一段的，也严重影响翻译软件的翻译质量，需要手动把这些换行一个个去掉，好麻烦啊！

解决方法

其实我们可以写个Python程序轻松解决这个问题。先把完整程序给出来，后面我一一讲解。

import time
import pyperclip
def delete_newline_char(message):
    '''删除message字符串中的换行符和换行连字符'''
    message = message.replace('\r\n', ' ')      
    # 把message中的所有'\r\n'替换成空格
    message = message.replace('\2', '')          
    # 删除单词中间的换行连字符
    return message
 
content = pyperclip.paste()     
# 把剪贴板的内容粘贴到变量content中
content = delete_newline_char(content)      
# 删除content中的换行符
pyperclip.copy(content)     
# 把content的内容复制到剪贴板
while True:  #每隔一秒查询一次剪贴板，如果剪贴板的内容有更新，则重复刚才的动作
    time.sleep(1)       
    # 暂停一秒钟
    content_tmp = pyperclip.paste()     
    # 获取剪贴板的内容
    if content_tmp != content:          
    # 如果剪贴板的内容有更新，重复刚才的动作
        content = content_tmp
        content = delete_newline_char(content)
        pyperclip.copy(content)         


首先我们需要安装一个模块：pyperclip，是用于操作剪贴板的。如果是Windows系统的话就在命令行里面输入：

pip install pyperclip

关于换行符，不同的操作系统会有不同的内部表示

下面我们以Windows系统来举例子（因为我目前只装了Windows）

在Windows系统里面换行符采用的是CRLF，用转义字符表示就是就是\r\n。我们要做的是把所有的换行符都替换成空格（如果是中文文档的话就是把换行符删掉），我们可以用str类的replace()方法。

假设变量message存储着我们复制的英文段落，我们可以调用replace()方法把message里面的所有换行符'\r\n'替换为空格' '

message = message.replace('\r\n', ' ')      
# 把message中的所有'\r\n'替换成空格


还有一个问题，有些单词由于太长，因此需要在下一行继续写，这就存在连字符“-”，如下图，因此我们还需要把这些连字符删除。

我发现PDF里面换行所用的连字符的内部表示跟其他的连字符是不一样的，把换行连字符复制过来然后粘贴到visual studio code里面就会出现方框带问号的样子（如下图），如果是其他的连字符的话复制粘贴后是直接显示一条横线的。

因此可以放心，我们把所有的换行连字符删除并不会连普通的连字符也被删除，因为内部表示不一样。

还有一点要注意，在PDF文档里换行连字符后面是没有换行符的。把上面这句话复制粘贴一下就知道了，粘贴结果显示换行连字符后面没有换行。因此执行上面的把换行符替换成空格的操作不会导致换行连字符后面出现空格。

我研究了一下，这个换行连字符的ASCII码是2，因此可以用转义字符\2表示

我们依然使用replace()方法把换行连字符替换成空''，这样就把所有的换行连字符删除了，如下所示

message = message.replace('\2', '')          # 删除单词中间的换行连字符

其实即使message里面既没有换行符，也没有换行连字符的话，执行上面这两条语句也是不会报错的，只是执行完之后message里面没有任何变化而已，所以可以放心执行。

我们把这两个语句封装成一个函数

def delete_newline_char(message):
    '''删除message字符串中的换行符和换行连字符'''
    message = message.replace('\r\n', ' ')      
    # 把message中的所有'\r\n'替换成空格
    message = message.replace('\2', '')          
    # 删除单词中间的换行连字符
    return message      


我们要做的是去掉剪贴板里面的换行符和换行连字符（下面简称“这两个符”）

import pyperclipcontent = pyperclip.paste()# 把剪贴板的内容粘贴到变量content中content = delete_newline_char(content)      # 删除content中的换行符pyperclip.copy(content)     # 把content的内容复制到剪贴板

把上面几句整理成一个Python程序如下：

import pyperclip
 
def delete_newline_char(message):
    '''删除message字符串中的换行符和换行连字符'''
    message = message.replace('\r\n', ' ')      
    # 把message中的所有'\r\n'替换成空格
    message = message.replace('\2', '')          
    # 删除单词中间的换行连字符
    return message
 
content = pyperclip.paste()     
# 把剪贴板的内容粘贴到变量content中
content = delete_newline_char(content)      
# 删除content中的换行符
pyperclip.copy(content)     
# 把content的内容复制到剪贴板       


复制了一个英文段落然后运行这个程序，最后粘贴出来的结果就是这个样子的：

怎么样？是不是非常完美？

然后再粘贴到翻译软件上面去

怎么样？翻译结果是不是瞬间流畅了很多？

但又有个问题，我们现在需要频繁复制粘贴英语段落，而现在每次复制完之后都要运行一下这个程序，还是好麻烦啊！如果能只需要运行一下程序，然后把它挂到后台，接下来我们每次复制英文段落的时候它都会自动给我去掉这两个符，不用再次运行这程序，那多好啊！

我们还是有一个简单的办法来解决：轮询。就是说我们每隔一段时间查询一下剪贴板是否有更新，如果更新了，那就删除这两个符。然后继续隔一段时间查询剪贴板是否有更新……不断重复这个过程。

我们需要用time模块中的sleep()方法来实现每隔一秒钟执行一轮循环，代码实现：

while True:  #每隔一秒查询一次剪贴板，如果剪贴板的内容有更新，则重复刚才的动作    time.sleep(1)       # 暂停一秒钟    content_tmp = pyperclip.paste()     # 获取剪贴板的内容    if content_tmp != content:          # 如果剪贴板的内容有更新，重复刚才的动作        content = content_tmp        content = delete_newline_char(content)        pyperclip.copy(content)    

每隔一秒钟把剪贴板里的内容读取到content_tmp变量里，而content变量存储的是原来剪贴板里的内容。如果content_tmp里面的内容跟原来剪贴板里面的内容不同，说明剪贴板有更新，需要重新删除这两个符。循环这个过程。

最终的完整代码如下：

import time
import pyperclip
 
def delete_newline_char(message):
    '''删除message字符串中的换行符和换行连字符'''
    message = message.replace('\r\n', ' ')      # 把message中的所有'\r\n'替换成空格
    message = message.replace('\2', '')          # 删除单词中间的换行连字符
    return message
 
 
content = pyperclip.paste()     # 把剪贴板的内容粘贴到变量content中
content = delete_newline_char(content)      # 删除content中的换行符
pyperclip.copy(content)     # 把content的内容复制到剪贴板
 
while True:  #每隔一秒查询一次剪贴板，如果剪贴板的内容有更新，则重复刚才的动作
    time.sleep(1)       # 暂停一秒钟
    content_tmp = pyperclip.paste()     # 获取剪贴板的内容
    if content_tmp != content:          # 如果剪贴板的内容有更新，重复刚才的动作
        content = content_tmp
        content = delete_newline_char(content)
        pyperclip.copy(content)       


那有同学会问了，这样不停循环执行那岂不是会非常占CPU资源，并且非常耗电？我们笔记本的电量是非常宝贵的啊。请放心，上面time.sleep(1)这条语句是使程序暂停一秒钟，在暂停的过程中是不占用CPU资源的。这里是每隔一秒钟才查询一次剪贴板，而不是高速高频率地查询，CPU占用非常低，因此是非常省电的，比我们的浏览器和PDF阅读器省电得多，看看Windows的任务管理器就知道了。但如果你的手速非常快，1秒钟查询一次显得有点慢的话，可以调整一下这个括号里的参数，设成0点多。