Por que as palavras são divididas por hífens após converter um PDF?

De onde vem o hífen

Software de composição tipográfica divide palavras longas no final da linha para manter a margem direita uniforme. No PDF essa divisão está congelada: a primeira metade termina uma linha com um hífen e a segunda metade começa a próxima. Em um e-reader, as linhas são diferentes, então o hífen acaba no meio de uma linha.

Alguns PDFs marcam esse hífen como um hífen suave, que quebra linha apenas; outros o armazenam como um caractere de hífen comum, razão pela qual ferramentas simples não conseguem distinguir entre os dois.

Como EpubCC os reencontra

• Quando o PDF mesmo sinaliza o hífen como um hífen de final de linha, as duas metades são unidas.
• Quando uma linha termina em "-" e a próxima linha começa com uma letra minúscula, a palavra também é unida.
• Um hífen seguido de uma letra maiúscula ou um número é mantido, o que protege nomes e intervalos.
• O EPUB é então hifenizado novamente pelo leitor eletrônico para adequá-lo ao seu próprio comprimento de linha, se você ativar a hifenização.

O que ainda pode dar errado

A real compound broken exactly at its own hyphen at the end of a line ("state-" / "of-the-art") looks the same as a hyphenated word, so it can be joined as "stateof-the-art". The benchmark counts split and merged words per 1,000 for every engine, so you can see how often this happens on real documents.