EpubCCProč moje EPUB zobrazuje čísla stránek uprostřed textu?
Aktualizováno:
Váš EPUB zobrazuje čísla stránek uprostřed vět, protože převodník zkopíroval nábytek stránky PDF (číslování stránek, běžící záhlaví a zápatí) jako by byl součástí textu. Oprava je převodník, který detekuje text opakující se v horní nebo dolní části stránek a odstraňuje ho před sloučením odstavců.
Pevné rozložení vs. přizpůsobitelný text
Proč se to stává
V PDF je číslo stránky a běžná hlavička ("Chapter 3", název knihy, jméno autora) běžný text, vykreslovaný na stránce jako vše ostatní. Konvertor, který čte text v pořadí, umístí "47 THE TITLE OF THE BOOK" mezi poslední řádek jedné stránky a první řádek další, což je často uprostřed věty.
Jak EpubCC to odstraní
- Krátké bloky v horní nebo dolní části 12 % stránky, které se opakují na alespoň 3 stránkách, se považují za okraje a odstraní se, přičemž číslice a římské číslice se normalizují, aby "47" a "48" byly považovány za stejný nadpis.
- Blok, který je pouze číslo stránky, je také odstraněn.
- Pro krátký náhled motor také čte až 4 sousední stránky na každé straně, pouze aby detekoval záhlaví, protože liché a sudé stránky často nesou různá záhlaví, která by několik stran nikdy nevidělo opakovat.
- Po odstranění okrajů se odstavec přerušený stránkovým zlomením znovu spojí, když následující stránka pokračuje ve větě.
Pokud již máte EPUB
Můžete, ale čísla můžete odstranit ručně v editoru EPUB, ale u dlouhé knihy je rychlejší převést znovu z PDF pomocí převodníku, který zvládá okraje. Benchmark měří únik okraje, podíl opakovaných hlaviček a čísel stránek, které zůstaly v textu, pro každý engine.
Důkazy z benchmarku
| Stroj | Únik okrajů |
|---|---|
| EpubCC engine (EPUB output) | 0.059 |
| EpubCC engine (plain text) | 0.881 |
| pdf_oxide · extract_text | 0.829 |
| pdf_oxide · to_plain_text (XY-cut) | 0.797 |
| pdf_oxide · Markdown | 0.108 |
| PDFium · text().all() | 0.963 |
| OpenDataLoader PDF (local mode) | 0.044 |
| pdftotext (Poppler) | 0.230 |
| Calibre · ebook-convert (EPUB output) | 0.694 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.062 |
Odstraňte záhlaví a čísla stránek.
Až 3 celé knihy denně zdarma. Účet není potřebný.