EpubCCMiksi sanoja jaetaan viivoilla skannatessa PDF:ta?
Päivitetty:
Sanoista tulee jakautuneita muodossa "conver- sion", koska PDF yhdysviivasi niitä tulostetun rivin lopussa, ja muunnin kopioi rivinvaihdon ja yhdysviivan sellaisinaan. Muunnin on yhdistettävä nämä sanat samalla, kun säilyttää oikeat yhdysviivalla kirjoitetut yhdyssanat, kuten "well-known".
Kiinteä asettelu vs. uudelleenkohdistettava teksti
Mistä yhdysviiva tulee
Typografinen (’) ja suora (') apostrofit pidetään sellaisina kuin PDF:ssä on; moottori ei yhdistä niitä.
Jotkut PDF:t merkitsevät, että tavu on pehmeä, vain rivinvaihtoa varten; toiset tallentavat sen tavallisena tavu merkkinä, mikä on syy siihen, että yksinkertaiset työkalut eivät voi erottaa kahta toisistaan.
Kuinka EpubCC yhdistää ne uudelleen
- Kun PDF itse merkitsee tavuviivan rivinvaihtotavuna, kaksi puoliskoa yhdistetään.
- Kun rivi päättyy "-":hen ja seuraava rivi alkaa pienellä kirjaimella, myös sana yhdistetään.
- Viiva, jota seuraa iso kirjain tai numero, säilytetään, mikä suojaa nimiä ja alueita.
- EPUB jaetaan sitten jälleen e-lukijassa sen oman rivipituuden mukaisesti, jos kytket jaottelun päälle.
Mitä voi vielä mennä pieleen
Todellinen yhdiste, joka on katkaistu tarkalleen omasta viivastaan rivin lopussa ("state-" / "of-the-art") näyttää samalta kuin viivattu sana, joten se voidaan yhdistää "stateof-the-art". Vertailuarvo laskee jaetut ja yhdistetyt sanat per 1 000 jokaiselle moottorille, joten voit nähdä, kuinka usein tämä tapahtuu todellisissa asiakirjoissa.
Todiste benchmarkista
| Moottori | Jaotellut sanat / 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 |
Korjaa rikkinäiset kappaleet ja sanat.
Jopa 3 kokonaista kirjaa päivässä ilmaiseksi. Ei tarvita tiliä.