EpubCCPor que meu EPUB mostra números de página no meio do texto?
Atualizado:
Seu EPUB mostra números de páginas no meio de frases porque o conversor copiou os elementos de página do PDF (números de página, cabeçalhos e rodapés em execução) como se fossem parte do texto. A correção é um conversor que detecta texto repetido no topo ou na parte inferior das páginas e remove isso antes de juntar os parágrafos.
Layout fixo vs. texto reflowable
Por que isso acontece
Em um PDF, o número da página e o cabeçalho em execução ("Chapter 3", o título do livro, o nome do autor) são texto comum, desenhado na página como tudo o mais. Um conversor que lê o texto em ordem coloca "47 THE TITLE OF THE BOOK" entre a última linha de uma página e a primeira linha da próxima, o que frequentemente está no meio de uma frase.
Como EpubCC remove isso
- Blocos curtos nos 12% superiores ou inferiores da página que se repetem em pelo menos 3 páginas são tratados como margens e removidos, com dígitos e números romanos normalizados para que "47" e "48" contem como o mesmo cabeçalho.
- Um bloco que é apenas um número de página também é removido.
- Para uma prévia curta, o motor também lê até 4 páginas vizinhas de cada lado, apenas para detectar cabeçalhos, porque páginas ímpares e pares frequentemente levam cabeçalhos diferentes que algumas páginas nunca veriam repetir.
- Após as margens terem sumido, um parágrafo cortado pela quebra de página é unido novamente quando a próxima página continua a frase.
Se você já tem o EPUB
Você pode excluir os números manualmente em um editor EPUB, mas em um livro longo é mais rápido converter novamente do PDF com um conversor que lida com margens. O benchmark mede vazamento de margens, a parte de cabeçalhos repetidos e números de páginas deixados no texto, para cada motor.
Evidência do benchmark
| Motor | Vazamento de margem |
|---|---|
| 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 |
Remova cabeçalhos e números de página
Até 3 livros inteiros por dia gratuitos. Conta não necessária.