EpubCC¿Por qué mi EPUB muestra números de página en medio del texto?
Actualizado:
Tu EPUB muestra números de página en medio de las oraciones porque el conversor copió el mobiliario de página del PDF (números de página, encabezados en ejecución y pies de página) como si fuera parte del texto. La solución es un conversor que detecta texto repetido en la parte superior o inferior de las páginas y lo elimina antes de unir los párrafos.
Diseño fijo vs. texto refluible
Por qué sucede
En un PDF, el número de página y el encabezado en ejecución ("Chapter 3", el título del libro, el nombre del autor) son texto ordinario, dibujado en la página como todo lo demás. Un convertidor que lee el texto en orden coloca "47 THE TITLE OF THE BOOK" entre la última línea de una página y la primera línea de la siguiente, que a menudo está en medio de una oración.
Cómo EpubCC lo elimina
- Bloques cortos en el 12% superior o inferior de la página que se repiten en al menos 3 páginas se consideran márgenes y se eliminan, con dígitos y números romanos normalizados, por lo que "47" y "48" cuentan como el mismo encabezado.
- Un bloque que solo es un número de página también se elimina.
- Para una vista previa corta, el motor también lee hasta 4 páginas vecinas en cada lado, solo para detectar encabezados, porque las páginas impares y pares a menudo llevan diferentes encabezados que unas pocas páginas nunca verían repetir.
- Después de que se eliminen los márgenes, un párrafo cortado por el salto de página se vuelve a unir cuando la siguiente página continúa la oración.
Si ya tienes el EPUB
Puedes eliminar los números a mano en un editor de EPUB, pero en un libro largo es más rápido convertir nuevamente desde PDF con un conversor que maneje márgenes. La referencia mide la fuga de márgenes, la parte de encabezados repetidos y números de página que quedan en el texto, para cada motor.
Evidencia del benchmark
| Motor | Filtración de márgenes |
|---|---|
| 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 |
Eliminar encabezados y números de página.
Hasta 3 libros completos al día gratis. No se necesita cuenta.