EpubCCΓιατί οι λέξεις διαχωρίζονται με παύλες μετά τη μετατροπή ενός PDF;
Ενημερωμένο:
Οι λέξεις προκύπτουν διαχωρισμένες ως "conver- sion" επειδή η PDF τις παύλωσε στο τέλος μιας εκτυπωμένης γραμμής και ο μετατροπέας αντέγραψε τη διακοπή γραμμής και την παύλα όπως ήταν. Ένας μετατροπέας πρέπει να ξανασυνδέσει αυτές τις λέξεις διατηρώντας αληθινά παυλωμένα συστατικά όπως το "well-known" ανέγγιχτα.
Σταθερή διάταξη vs. επαναλαμβανόμενο κείμενο
Από πού προέρχεται η παύλα
Το λογισμικό τύπωσης χωρίζει μακριές λέξεις στα άκρα γραμμών για να κρατήσει τη σωστή περιθώριο ομοιόμορφη. Στο PDF αυτή η διαίρεση είναι παγωμένη: το πρώτο μισό τελειώνει μία γραμμή με ένα κλητήριο και το δεύτερο μισό αρχίζει την επόμενη. Σε ένα e-reader οι γραμμές είναι διαφορετικές, οπότε το κλητήριο καταλήγει στη μέση μιας γραμμής.
Ορισμένα PDF επισημαίνουν αυτή την παύλα ως μια μαλακή, παύση γραμμής-μόνο παύλα; άλλοι την αποθηκεύουν ως έναν κανονικό χαρακτήρα παύλας, γι' αυτό οι απλές εργαλεία δεν μπορούν να διακρίνουν τις δύο.
Πώς EpubCC τις ξανασυνδέει
- Όταν το PDF σημειώνει τον υβριδίτη ως έναν υβριδικό τερματισμό γραμμής, οι δύο μισοί ενώνονται.
- Όταν μια γραμμή τελειώνει σε "-" και η επόμενη γραμμή ξεκινά με μικρό γράμμα, η λέξη ενώνεται επίσης.
- Ένας παύλος που ακολουθείται από κεφαλαίο γράμμα ή αριθμό διατηρείται, γεγονός που προστατεύει ονόματα και πεδία.
- Το EPUB υβριδίζεται ξανά από το e-reader για τη δική του γραμμή μήκους, αν ενεργοποιήσετε την υβριδική μορφοποίηση.
Τι μπορεί ακόμα να πάει στραβά
Ένα πραγματικό σύνθετο που σπάει ακριβώς στη δική του παύλα στο τέλος μιας γραμμής ("state-" / "of-the-art") φαίνεται το ίδιο με μια λέξη με παύλες, οπότε μπορεί να ενωθεί ως "stateof-the-art". Η αναφορά μετράει τις σπασμένες και συγκολλημένες λέξεις ανά 1,000 για κάθε μηχανή, ώστε να μπορείς να δεις πόσο συχνά συμβαίνει αυτό σε πραγματικά έγγραφα.
Αποδείξεις από το benchmark
| Μηχανή | Διαχωρισμένα λέξεις / 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 |
Διορθώστε σπασμένες παραγράφους και λέξεις.
Έως 3 ολόκληρα βιβλία την ημέρα δωρεάν. Δεν απαιτείται λογαριασμός.