EpubCCProč jsou slova po převodu PDF rozdělena pomlčkami?
Aktualizováno:
Slova vycházejí rozdělená jako "conver- sion", protože je PDF na konci vytištěného řádku oddělila pomlčka a konvertor zkopíroval zalomení řádku a pomlčku tak, jak byly. Konvertor musí tato slova znovu spojit a přitom zachovat skutečné hyfenované sloučeniny jako "well-known".
Pevné rozložení vs. přizpůsobitelný text
Odkud se bere pomlčka
Návrhový software rozděluje dlouhá slova na koncích řádků, aby udržel pravý okraj vyrovnaný. Ve PDF je toto rozdělení zamrzlé: první polovina končí na jednom řádku s pomlčkou a druhá polovina začíná na následujícím řádku. Na e-čtečce jsou řádky jiné, takže pomlčka se ocitá uprostřed řádku.
Některé PDF označují tu pomlčku jako měkkou, pomlčku jen pro zalomení řádku; jiné ji ukládají jako obyčejný znak pomlčky, což je důvod, proč si jednoduché nástroje nedokážou dvě odlišit.
Jak EpubCC je znovu spojí
- Když sám PDF označí pomlčku jako koncovou pomlčku řádku, obě poloviny se spojí.
- Když řádek končí v "-" a další řádek začíná malým písmenem, slovo se také spojí.
- Pomlčka následovaná velkým písmenem nebo číslem je zachována, což chrání názvy a rozsahy.
- EPUB je poté znovu dělen pomlčkami e-čtečkou pro její vlastní délku řádku, pokud zapnete dělení slov.
Co se stále může pokazit
Skutečný sloučený text rozbitý přesně na svém vlastním pomlčce na konci řádku ("state-" / "of-the-art") vypadá stejně jako slovo s pomlčkou, takže může být spojeno jako "stateof-the-art". Benchmark počítá rozdělená a sloučená slova na 1 000 pro každý engine, takže můžete vidět, jak často k tomu dochází v reálných dokumentech.
Důkazy z benchmarku
| Stroj | Rozdělená slova / 1 000 |
|---|---|
| EpubCC engine (EPUB output) | 0.789 |
| EpubCC engine (plain text) | 1.818 |
| pdf_oxide · extract_text | 1.464 |
| pdf_oxide · to_plain_text (XY-cut) | 1.760 |
| pdf_oxide · Markdown | 3.638 |
| PDFium · text().all() | 2.879 |
| OpenDataLoader PDF (local mode) | 0.373 |
| pdftotext (Poppler) | 1.040 |
| Calibre · ebook-convert (EPUB output) | 2.629 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.789 |
Opravit rozbité odstavce a slova.
Až 3 celé knihy denně zdarma. Účet není potřebný.