EpubCC¿Por qué la conversión de PDF a EPUB rompe los párrafos?
Actualizado:
La conversión PDF-a-EPUB rompe párrafos porque un PDF almacena líneas en posiciones fijas, no párrafos, y un convertidor simple copia cada línea tal como está. Reconstruir párrafos necesita la geometría de cada línea: espacios, sangrías, cambios de fuente y guiones al final de las líneas.
Diseño fijo vs. texto refluible
De dónde proviene el salto
Cuando se crea un PDF, el texto se corta en líneas para ajustarse al ancho de la página. El párrafo en sí no se registra. Copiar las líneas en un EPUB mantiene esos cortes, por lo que cada línea termina antes en un lector de e-books.
Cómo se reconstruyen los párrafos
- Comenzar un nuevo párrafo solo en un espacio vertical, un cambio de tamaño o peso, un sangrado de primera línea o una línea que termina antes.
- Reunir palabras divididas por un guion al final de una línea.
- Une un párrafo interrumpido por un salto de columna o de página cuando la siguiente parte continúa la oración.
Evidencia del benchmark
| Motor | recuperación de 8-gramas |
|---|---|
| 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 |
Corregir párrafos rotos
Hasta 3 libros completos al día gratis. No se necesita cuenta.