EpubCCCum pot să convertesc un PDF cu două coloane în EPUB?
Actualizat:
Utilizați un convertor care detectează coloanele înainte de a uni liniile în paragrafe, astfel încât coloana din stânga să fie citită de sus în jos și apoi cea din dreapta, în loc să se citească fiecare linie direct peste pagină. EpubCC face asta prin împărțirea fiecărei pagini de-a lungul spațiilor albe dintre coloane înainte de a reconstrui textul.
Aspect fixat vs. text reflowabil
De ce două coloane dau greș
Un convertor naiv citește o pagină linie cu linie de la stânga la dreapta, astfel că lipește prima linie a coloanei din stânga de prima linie a coloanei din dreapta. Rezultatul sunt propoziții care alternează între două texte neconectate: cea mai frecventă eroare în lucrările academice, reviste și Registrul Federal.
Cum EpubCC citește coloanele
- Motorul găsește coloanele fiecărei pagini din layout-ul său și le citește pe una până la capăt înainte de a continua la următoarea.
- Un spațiu larg într-o singură linie, cum ar fi "2.1 Title", nu este confundat cu o coloană.
- Antetele și numerele de pagină din margini sunt omise, astfel încât să nu ajungă niciodată în mijlocul unui paragraf care se întinde dintr-o coloană în alta.
- Notele de subsol de la baza unei coloane devin note legate la finalul capitolului în loc să întrerupă textul.
- Imaginile sunt plasate ca parte a regiunii în care se află, deci rămân în ordinea de citire.
- O propoziție care continuă de la baza unei coloane la vârful celeilalte este legată din nou când fraza continuă.
Verificați rezultatul
Layout-urile care combină o și două coloane pe aceeași pagină, căsuțe și note laterale sunt partea dificilă. Poți converti propriul fișier gratuit și citi rezultatul, iar benchmark-ul include lucrări cu două coloane și un document din Registrul Federal cu trei coloane, măsurat pentru continuitate.
Dovadă din evaluare
| Motor | recall 8-gram |
|---|---|
| EpubCC engine (EPUB output) | 0.845 |
| EpubCC engine (plain text) | 0.829 |
| pdf_oxide · extract_text | 0.740 |
| pdf_oxide · to_plain_text (XY-cut) | 0.694 |
| pdf_oxide · Markdown | 0.692 |
| PDFium · text().all() | 0.756 |
| OpenDataLoader PDF (local mode) | 0.734 |
| pdftotext (Poppler) | 0.755 |
| Calibre · ebook-convert (EPUB output) | 0.726 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.845 |
| Document | EpubCC engine (EPUB output) | EpubCC engine (plain text) | pdf_oxide · extract_text | pdf_oxide · to_plain_text (XY-cut) | pdf_oxide · Markdown | PDFium · text().all() | OpenDataLoader PDF (local mode) | pdftotext (Poppler) | Calibre · ebook-convert (EPUB output) | EpubCC engine (EPUB, same extractor as Calibre) |
|---|---|---|---|---|---|---|---|---|---|---|
| OLMo paper (arXiv 2402.00838) | 0.893 | 0.891 | 0.854 | 0.273 | 0.719 | 0.761 | 0.820 | 0.781 | 0.640 | 0.892 |
| Mistral 7B paper (arXiv 2310.06825) | 0.777 | 0.774 | 0.767 | 0.778 | 0.800 | 0.872 | 0.859 | 0.821 | 0.779 | 0.774 |
| Federal Register document 2026-22443 | 0.857 | 0.853 | 0.334 | 0.035 | 0.339 | 0.859 | 0.801 | 0.835 | 0.121 | 0.851 |
Corectați coloanele amestecate.
Până la 3 cărți complete pe zi gratuite. Nu este necesar un cont.