EpubCCVarför delas ord upp med bindestreck efter att ha konverterat en PDF?
Uppdaterad:
Ord framträder delade som "conver- sion" eftersom PDF bindestreckade dem i slutet av en tryckt rad och konverteraren kopierade radbrottet och bindestrecket som de var. En konverterare måste återansluta dessa ord samtidigt som verkliga bindestreckade sammansatta ord såsom "well-known" förblir intakta.
Fast layout vs. omskrivbar text
Där bindestrecket kommer ifrån
Typsättningsprogramvara delar långa ord vid radslut för att hålla höger marginal jämn. I PDF är den splittringen fryst: den första delen slutar med en bindestreck på en rad och den andra delen börjar nästa. På en e-läsare är raderna olika, så bindestrecket hamnar mitt i en rad.
Vissa PDF-filer markerar att bindestrecket är ett mjukt, endast radbrytande bindestreck; andra lagrar det som ett vanligt bindestreckstecken, vilket är varför enkla verktyg inte kan särskilja de två.
Hur EpubCC återförenar dem
- När PDF själv markerar bindestrecket som ett radslutande bindestreck, slås de två halvorna ihop.
- När en rad slutar med "-" och nästa rad börjar med en liten bokstav, kopplas ordet också ihop.
- Ett bindestreck följt av en stor bokstav eller ett nummer behålls, vilket skyddar namn och intervall.
- EPUB hypheniseras sedan igen av e-läsaren för sin egen radlängd, om du aktiverar hyphenisering.
Vad som fortfarande kan gå fel
En verklig sammansättning bruten exakt vid sitt eget bindestreck i slutet av en rad ("state-" / "of-the-art") ser likadan ut som ett bindestreckat ord, så det kan förenas som "stateof-the-art". Benchmarket räknar delade och sammanslagna ord per 1 000 för varje motor, så att du kan se hur ofta detta händer på verkliga dokument.
Bevis från benchmarken
| Motor | Dela upp ord / 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 |
Fixera trasiga stycken och ord.
Upp till 3 hela böcker per dag gratis. Inget konto behövs.