EpubCCDe ce conversia PDF-la-EPUB întrerupe paragrafele?
Actualizat:
Conversia PDF-la-EPUB rupe paragrafele deoarece un PDF stochează linii la poziții fixe, nu paragrafe, iar un converter simplu copiază fiecare linie așa cum este. Reconstructia paragrafelor necesită geometria fiecărei linii: goluri, indentări, schimbări de font și cratime la capetele liniilor.
Aspect fixat vs. text reflowabil
De unde provine ruptura
Când un PDF este realizat, textul este tăiat în linii pentru a se încadra în lățimea paginii. Paragraful în sine nu este înregistrat. Copierea liniilor într-un EPUB păstrează aceste tăieturi, astfel încât fiecare linie se termină devreme pe un cititor electronic.
Cum sunt reconstruite paragrafele
- Începe un paragraf nou doar la un spațiu vertical, o schimbare de dimensiune sau greutate, o indentare a primei linii sau o linie care se termină devreme.
- Reunește cuvintele separate printr-un cratimă la sfârșitul unei linii.
- Îmbina un paragraf întrerupt de o întrerupere de coloană sau pagină atunci când următoarea parte continuă propoziția.
Dovadă din evaluare
| Motor | recall 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 |
Remediază paragrafele rupte
Până la 3 cărți complete pe zi gratuite. Nu este necesar un cont.