EpubCCHvorfor går PDF-til-EPUB konvertering i stykker afsnit?
Opdateret:
PDF-til-EPUB konvertering bryder afsnit, fordi en PDF gemmer linjer på faste positioner, ikke afsnit, og en simpel konverter kopierer hver linje som den er. Genopbygning af afsnit kræver geometrien af hver linje: mellemrum, indryk, skrifttypeforandringer og bindestreger ved linjeskift.
Fast layout vs. reflowable tekst
Hvor pausen kommer fra
Når en PDF laves, bliver teksten skåret op i linjer for at passe til sidens bredde. Selve afsnittet registreres ikke. At kopiere linjerne til en EPUB bevarer disse snit, så hver linje slutter tidligt på en e-læser.
Hvordan afsnit genbygges
- Start et nyt afsnit kun på et lodret mellemrum, en størrelse eller vægtændring, en indrykning på første linje eller en linje, der slutter tidligt.
- Sammenslut ord, der er delt af en bindestreg ved slutningen af en linje.
- Sammenkobl et afsnit, der er afbrudt af et kolonne- eller sidebrud, når den næste del fortsætter sætningen.
Bevis fra benchmark
| Motor | 8-gram tilbagekaldelse |
|---|---|
| EpubCC engine (EPUB output) | 0.845 |
| EpubCC engine (plain text) | 0.829 |
| pdf_oxide · extract_text | 0.740 |
| pdf_oxide · to_plain_text (XY-cut) | 0.694 |
| pdf_oxide · Markdown | 0.692 |
| PDFium · text().all() | 0.756 |
| OpenDataLoader PDF (local mode) | 0.734 |
| pdftotext (Poppler) | 0.755 |
| Calibre · ebook-convert (EPUB output) | 0.726 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.845 |
Reparér ødelagte afsnit
Op til 3 hele bøger om dagen gratis. Ingen konto nødvendig.