EpubCCDe ce cuvintele sunt separate cu cratime după conversia unui PDF?
Actualizat:
Cuvintele apar despărțite ca "conver- sion" deoarece PDF le-a împărțit la sfârșitul unei linii tipărite și convertorul a copiat ruptura de linie și cratima așa cum erau. Un convertor trebuie să reunească aceste cuvinte păstrând compușii reali cu cratimă, cum ar fi "well-known" intact.
Aspect fixat vs. text reflowabil
De unde provine cratima
Software-ul de tipărire împarte cuvintele lungi la capetele de linie pentru a menține marginea dreaptă uniformă. În PDF, acea împărțire este înghețată: prima jumătate se termină pe o linie cu un cratimă și a doua jumătate începe următoarea. Pe un e-reader, liniile sunt diferite, așa că cratima ajunge în mijlocul unei linii.
Unele PDF-uri marchează acea cratimă ca o cratimă moale, doar pentru întreruperea liniei; altele o stochează ca un caracter obișnuit de cratimă, motiv pentru care instrumentele simple nu pot face distincția între cele două.
Cum EpubCC le reunește
- Când PDF însuși marchează cratima ca o cratimă de final de linie, cele două jumătăți sunt unite.
- Când o linie se termină cu "-" iar linia următoare începe cu o literă mică, cuvântul este unit de asemenea.
- Un cratima urmată de o literă mare sau un număr este păstrată, ceea ce protejează numele și intervalele.
- EPUB este apoi împărțit din nou de cititorul electronic pentru propria sa lungime a liniei, dacă activezi împărțirea.
Ce poate să mai meargă prost
Un compus real rupt exact la propriul său cratimă la sfârșitul unei linii ("state-" / "of-the-art") arată la fel ca un cuvânt legat, așa că poate fi unit ca "stateof-the-art". Standardul numără cuvintele rupte și unite per 1,000 pentru fiecare motor, așa că poți vedea cât de des se întâmplă acest lucru în documentele reale.
Dovadă din evaluare
| Motor | Cuvinte rupte / 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 |
Corectați paragrafele și cuvintele rupte.
Până la 3 cărți complete pe zi gratuite. Nu este necesar un cont.