EpubCCΓιατί η μετατροπή από PDF σε EPUB σπάει παραγράφους;
Ενημερωμένο:
Η μετατροπή PDF-σε-EPUB σπάει παραγράφους, διότι ένα PDF αποθηκεύει γραμμές σε σταθερές θέσεις, όχι παραγράφους, και ένας απλός μετατροπέας αντιγράφει κάθε γραμμή όπως είναι. Η ανακατασκευή παραγράφων απαιτεί την γεωμετρία κάθε γραμμής: κενά, εσοχές, αλλαγές γραμματοσειράς και υφιστάμενους συνδέσμους στο τέλος γραμμών.
Σταθερή διάταξη vs. επαναλαμβανόμενο κείμενο
Από πού προέρχεται η διακοπή
Όταν ένα PDF δημιουργείται, το κείμενο κόβεται σε γραμμές για να χωρέσει στο πλάτος της σελίδας. Η παράγραφος αυτή καθαυτή δεν καταγράφεται. Η αντιγραφή των γραμμών σε ένα EPUB διατηρεί αυτές τις περικοπές, έτσι κάθε γραμμή τελειώνει νωρίς σε μια συσκευή ανάγνωσης.
Πώς ξαναχτίζονται οι παράγραφοι
- Ξεκινήστε μια νέα παράγραφο μόνο σε ένα κατακόρυφο κενό, σε μια αλλαγή μεγέθους ή βάρους, σε μια ένδειξη πρώτης γραμμής ή σε μια γραμμή που τελειώνει νωρίς.
- Επανασυνενώστε λέξεις που έχουν χωριστεί με υγρό στο τέλος μιας γραμμής.
- Ενωθείτε με μια παράγραφο που διακόπτεται από έναν διάτρητο στοίβο ή σελίδα όταν το επόμενο μέρος συνεχίζει την πρόταση.
Αποδείξεις από το benchmark
| Μηχανή | 8-γραμμα ανάκληση |
|---|---|
| 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 |
Διορθώστε σπασμένα παραγράφους
Έως 3 ολόκληρα βιβλία την ημέρα δωρεάν. Δεν απαιτείται λογαριασμός.