EpubCCPourquoi la conversion de PDF en EPUB casse-t-elle les paragraphes ?
Mis à jour :
La conversion de PDF à EPUB casse les paragraphes car un PDF stocke les lignes à des positions fixes, pas des paragraphes, et un convertisseur simple copie chaque ligne telle quelle. Reconstruire les paragraphes nécessite la géométrie de chaque ligne : espaces, retraits, changements de police et traits d'union à la fin des lignes.
Mise en page fixe vs. texte reflowable
D'où vient la rupture
Quand un PDF est créé, le texte est découpé en lignes pour s'adapter à la largeur de la page. Le paragraphe lui-même n'est pas enregistré. Copier les lignes dans un EPUB conserve ces coupures, ainsi chaque ligne se termine tôt sur un lecteur d'ebook.
Comment les paragraphes sont reconstruits
- Commencer un nouveau paragraphe uniquement sur un écart vertical, un changement de taille ou de poids, un retrait de première ligne ou une ligne qui se termine tôt.
- Rejoindre les mots séparés par un trait d'union à la fin d'une ligne.
- Joindre un paragraphe interrompu par une colonne ou un saut de page lorsque la suite de la phrase continue.
Éléments de preuve du benchmark
| Moteur | rappel 8-gram |
|---|---|
| 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 |
Réparer les paragraphes cassés
Jusqu'à 3 livres entiers par jour gratuits. Aucun compte nécessaire.