Aus einer PDF-Datei kopierter Text bringt drei typische Probleme mit: harte Zeilenumbrüche mitten im Satz, Trennstriche am Zeilenende und geschützte Leerzeichen, die aussehen wie normale, aber keine sind.
Unsichtbare Zeichen sind dabei die tückischsten. Ein geschütztes Leerzeichen oder ein Zero-Width-Space sieht man nicht, aber jede Suche schlägt fehl und jeder Vergleich zweier Texte meldet einen Unterschied.
Warum Umbrüche nicht einfach alle weg dürfen
Ein Absatzende ist ein Umbruch, den man behalten will; ein Zeilenumbruch mitten im Satz ist einer, den man loswerden will. Der Bereiniger unterscheidet daran, ob eine Leerzeile folgt — bleibt eine, ist es ein Absatz.
Bei Text aus einem zweispaltigen PDF reicht auch das nicht immer, weil dort schon die Reihenfolge der Zeilen durcheinandergerät. Solchen Text muss man nachlesen, kein Werkzeug repariert ihn zuverlässig.
Typografische Anführungszeichen
Im Deutschen stehen die Anführungszeichen unten und oben: „so“. Die geraden Zeichen sind eigentlich Zoll- und Fußzeichen und stammen aus der Schreibmaschine — in gesetztem Text wirken sie unsauber.
In Programmcode und in Daten ist es umgekehrt: Dort sind nur die geraden Zeichen zulässig, und typografische Anführungszeichen aus einer Textverarbeitung sind eine bekannte Fehlerquelle. Deshalb geht die Umwandlung hier in beide Richtungen.