EpubCCPourquoi les mots sont-ils séparés par des tirets après la conversion d'un PDF ?
Mis à jour :
Les mots apparaissent séparés en tant que "conver- sion" parce que le PDF les a hyphenés à la fin d'une ligne imprimée et le convertisseur a copié le saut de ligne et le trait d'union tels quels. Un convertisseur doit réunir ces mots tout en conservant les composés réels hyphenés tels que "well-known" intacts.
Mise en page fixe vs. texte reflowable
D'où vient le trait d'union
Les logiciels de composition typographique divisent les longs mots à la fin des lignes pour garder la marge droite uniforme. Dans le PDF, cette division est figée : la première moitié se termine par un trait d’union à une ligne et la seconde moitié commence à la suivante. Sur un liseuse, les lignes sont différentes, donc le trait d'union se retrouve au milieu d'une ligne.
Certains PDF marquent ce trait d'union comme un trait d'union doux, uniquement pour le saut de ligne ; d'autres le stockent en tant que caractère de trait d'union ordinaire, c'est pourquoi des outils simples ne peuvent pas les distinguer.
Comment EpubCC les rejoint
- Quand le PDF lui-même signale le trait d'union comme un trait d'union en fin de ligne, les deux moitiés sont jointes.
- Quand une ligne se termine par "-" et que la ligne suivante commence par une lettre minuscule, le mot est également joint.
- Un tiret suivi d'une majuscule ou d'un chiffre est conservé, ce qui protège les noms et les plages.
- Le EPUB est ensuite de nouveau césuré par le liseuse selon sa propre longueur de ligne, si vous activez la césure.
Ce qui peut encore mal tourner
Un véritable composé coupé exactement à son propre trait d'union à la fin d'une ligne ("state-" / "of-the-art") ressemble au même à un mot hyphené, donc il peut être rejoint en tant que "stateof-the-art". L'indice compte les mots séparés et fusionnés par 1 000 pour chaque moteur, afin que vous puissiez voir à quelle fréquence cela se produit sur de véritables documents.
Éléments de preuve du benchmark
| Moteur | Mots séparés / 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 |
Corrigez les paragraphes et les mots cassés.
Jusqu'à 3 livres entiers par jour gratuits. Aucun compte nécessaire.