EpubCCPor que a conversão de PDF para EPUB quebra parágrafos?
Atualizado:
A conversão de PDF para EPUB quebra parágrafos porque um PDF armazena linhas em posições fixas, não parágrafos, e um conversor simples copia cada linha como está. Reconstruir parágrafos necessita da geometria de cada linha: espaços, recuos, alterações de fonte e hífens no final das linhas.
Layout fixo vs. texto reflowable
De onde vem a quebra
Quando um PDF é criado, o texto é quebrado em linhas para caber na largura da página. O parágrafo em si não é registrado. Copiar as linhas para um EPUB mantém esses cortes, então cada linha termina cedo em um leitor de e-books.
Como os parágrafos são reconstruídos
- Começar um novo parágrafo apenas em um espaço vertical, uma mudança de tamanho ou peso, um recuo da primeira linha ou uma linha que termina cedo.
- Reuna palavras divididas por um hífen no final de uma linha.
- Junte um parágrafo interrompido por uma quebra de coluna ou página quando a próxima parte continuar a frase.
Evidência do benchmark
| Motor | Recuperação de 8-grama |
|---|---|
| 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 |
Corrigir parágrafos quebrados
Até 3 livros inteiros por dia gratuitos. Conta não necessária.