EpubCCΓιατί το EPUB μου δείχνει αριθμούς σελίδων στη μέση του κειμένου;
Ενημερωμένο:
Το EPUB σας εμφανίζει αριθμούς σελίδων στη μέση προτάσεων γιατί ο μετατροπέας αντέγραψε την επίπλωση της σελίδας του PDF (αριθμούς σελίδων, τρέχουσες επικεφαλίδες και υποσέλιδα) σα να ήταν μέρος του κειμένου. Η διόρθωση είναι ένας μετατροπέας που ανιχνεύει κείμενο επαναλαμβανόμενο στην κορυφή ή στο κάτω μέρος των σελίδων και το αφαιρεί πριν ενώσει τις παραγράφους.
Σταθερή διάταξη vs. επαναλαμβανόμενο κείμενο
Γιατί συμβαίνει αυτό
Σε μια PDF, ο αριθμός σελίδας και η τρέχουσα επικεφαλίδα ("Chapter 3", ο τίτλος του βιβλίου, το όνομα του συγγραφέα) είναι συνηθισμένο κείμενο, σχεδιασμένο στη σελίδα όπως όλα τα άλλα. Ένας μετατροπέας που διαβάζει το κείμενο με σειρά τοποθετεί "47 THE TITLE OF THE BOOK" μεταξύ της τελευταίας γραμμής μιας σελίδας και της πρώτης γραμμής της επόμενης, η οποία είναι συχνά στη μέση μιας πρότασης.
Πώς EpubCC το αφαιρεί
- Μικρές μπλοκ στο άνω ή κάτω 12% της σελίδας που επαναλαμβάνονται σε τουλάχιστον 3 σελίδες θεωρούνται περιθώρια και αφαιρούνται, με ψηφία και ρωμαϊκούς αριθμούς κανονικοποιημένα έτσι ώστε "47" και "48" να μετριούνται ως η ίδια κεφαλίδα.
- Ένα μπλοκ που είναι μόνο αριθμός σελίδας αφαιρείται επίσης.
- Για μία σύντομη προεπισκόπηση, η μηχανή διαβάζει επίσης έως 4 γειτονικές σελίδες από κάθε πλευρά, μόνο για να ανιχνεύσει επικεφαλίδες, διότι οι περίεργες και ζυγές σελίδες συχνά φέρουν διαφορετικές επικεφαλίδες που λίγες σελίδες δεν θα δουν ποτέ σε повтор.
- Μετά την διαγραφή των περιθωρίων, μια παράγραφος που κόβεται από τη σελίδα ενώνεται ξανά όταν η επόμενη σελίδα συνεχίζει την πρόταση.
Εάν έχετε ήδη το EPUB.
Μπορείτε να διαγράψετε τους αριθμούς με το χέρι σε έναν επεξεργαστή EPUB, αλλά σε ένα μεγάλο βιβλίο είναι πιο γρήγορο να μετατρέψετε ξανά από το PDF με έναν μετατροπέα που χειρίζεται τα περιθώρια. Το ορόσημο μετρά τη διαρροή περιθωρίων, το μερίδιο επαναλαμβανόμενων τίτλων και αριθμών σελίδων που μένουν στο κείμενο, για κάθε μηχανή.
Αποδείξεις από το benchmark
| Μηχανή | Διαρροή περιθωρίου |
|---|---|
| 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 |
Αφαιρέστε τις κεφαλίδες και τους αριθμούς σελίδων.
Έως 3 ολόκληρα βιβλία την ημέρα δωρεάν. Δεν απαιτείται λογαριασμός.