El texto copiado de un PDF trae tres problemas típicos: saltos de línea duros en mitad de la frase, guiones de partición al final del renglón y espacios duros que parecen normales pero no lo son.
Los caracteres invisibles son los más traicioneros. Un espacio duro o un espacio de ancho cero no se ve, pero cualquier búsqueda falla y cualquier comparación entre dos textos marca una diferencia.
Por qué no se pueden quitar todos los saltos
El final de un párrafo es un salto que se quiere conservar; un salto en mitad de la frase es uno del que hay que deshacerse. El limpiador los distingue por si va seguido de una línea en blanco: si la hay, es un párrafo.
Con texto sacado de un PDF a dos columnas ni eso basta, porque allí ya viene desordenado el propio orden de los renglones. Ese texto hay que releerlo: ninguna herramienta lo arregla de forma fiable.
Comillas tipográficas
En español la comilla de primer nivel es la latina o angular: «así». Las comillas rectas son en realidad los signos de pulgada y minuto, herencia de la máquina de escribir, y en un texto compuesto se ven descuidadas.
En código y en datos ocurre lo contrario: allí solo valen las rectas, y las comillas tipográficas venidas de un procesador de textos son una fuente de errores conocida. Por eso la conversión funciona en los dos sentidos.