EpubCCHvorfor viser min EPUB sideskader midt i teksten?
Opdateret:
Din EPUB viser sidenumre i midten af sætninger, fordi konverteren kopierede PDF's sideinventar (sidenumre, løbende overskrifter og fodnoter) som om det var en del af teksten. Løsningen er en konverter, der opdager tekst, der gentages øverst eller nederst på siderne og fjerner det, før den sammenføjer afsnittene.
Fast layout vs. reflowable tekst
Hvorfor det sker
I en PDF er sidenummeret og den løbende overskrift ("Chapter 3", bogens titel, forfatterens navn) almindelig tekst, tegnet på siden som alt andet. En konverter, der læser teksten i rækkefølge, sætter "47 THE TITLE OF THE BOOK" mellem den sidste linje på en side og den første linje på den næste, hvilket ofte er midt i en sætning.
Hvordan EpubCC fjerner det
- Korte blokke i de øverste eller nederste 12% af siden, der gentages på mindst 3 sider, betragtes som margener og fjernes, med cifre og romertal normaliseret, så "47" og "48" tælles som den samme overskrift.
- En blok, der kun er et sidenummer, bliver også fjernet.
- For en kort forhåndsvisning læser motoren også op til 4 tilstødende sider på hver side, kun for at registrere overskrifter, fordi ulige og lige sider ofte bærer forskellige overskrifter, som et par sider aldrig ville se gentage.
- Når margenerne er væk, samles et afsnit, der er blevet klippet af sideskiftet, igen, når næste side fortsætter sætningen.
Hvis du allerede har EPUB.
Du kan slette numrene i hånden i en EPUB editor, men på en lang bog er det hurtigere at konvertere igen fra PDF med en konverter, der håndterer margener. Benchmarken måler margenlækage, andelen af gentagne overskrifter og sidenumre tilbage i teksten for hver motor.
Bevis fra benchmark
| Motor | Margin lækage |
|---|---|
| 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 |
Fjern overskrifter og sidenumre.
Op til 3 hele bøger om dagen gratis. Ingen konto nødvendig.