PDF 提取的文字全是换行和页眉页脚？三步清理干净

用 PDF 转文本提取出来的内容，乍一看能用，细看全是毛病：每一页都插着页码和页眉，段落被硬生生切断，空行满天飞。这不是工具出错，而是 PDF 的页面结构决定的——它本来就没打算让你复制正文。

常见的三类杂质

第一步：删除重复的页眉页脚

页眉页脚每页内容相同，把粘贴后的文字放进 Word 或记事本，用"查找替换"把这段固定文字全部替换为空。页码如果是纯数字行，可以按"只含数字的整行"逐段删除。

第二步：合并被切断的段落

中文文档里，段落内部的换行属于排版换行，应全部去掉：把单个换行符替换为空，再保留真正的段落空行作为分段。英文文档注意行尾连字符（hyphen）断词，合并时把连字符一并去掉。

第三步：压缩多余空行

把连续两个以上的空行替换成单个空行，全文立刻清爽。