EpubCCCorrigir parágrafos quebrados em uma conversão de PDF para EPUB
Os parágrafos se quebram quando um conversor transforma cada linha do PDF em uma linha do EPUB, porque um PDF armazena linhas, não parágrafos. EpubCC reconstrói parágrafos a partir da posição de cada linha, reune palavras hyphenadas e une parágrafos divididos entre páginas.
Até 3 livros inteiros por dia gratuitos. Conta não necessária.
Atualizado:
Arquivos privados. Nunca utilizados para treinamento. Excluídos automaticamente, ou imediatamente quando você pressiona Excluir agora.
Veja a diferença na leitura.
Por que isso acontece
Um PDF não tem noção de parágrafo. Ele desenha linhas de texto em posições fixas, muitas vezes com um hífen onde uma palavra foi dividida no final de uma linha. Um conversor que copia essas linhas mantém as quebras de linha e, em um e-reader, cada linha se torna um pequeno parágrafo quebrado.
Como EpubCC reconstrói parágrafos
- Um novo parágrafo começa apenas em um sinal real: um espaço vertical, uma mudança de tamanho ou peso, um recuo na primeira linha, ou uma linha que termina cedo.
- Palavras divididas no final de uma linha são reintegradas quando o PDF marca o hífen como uma quebra de linha, ou quando a próxima linha começa com letra minúscula.
- Um parágrafo que não termina uma frase em uma quebra de coluna ou página é unido ao próximo quando este começa em letra minúscula.
O que o benchmark mostra
A métrica de recall de 8 gramas mede a continuidade: ela diminui quando uma linha se junta ou a ordem de leitura quebra frases. A tabela abaixo mostra a média para cada motor em nosso benchmark público, incluindo aqueles que nos superaram em alguns documentos.
| 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 |
Páginas digitalizadas são lidas com OCR: gratuito até 10 páginas, PDFs mais longos no Pro e Business. O relatório lista elas para que você possa verificar nomes e números.
FAQ
É gratuito?
Sim, para a maioria dos livros: até 3 livros inteiros por dia, cada um com até 300 páginas e 50 MB, sem conta. Livros mais longos e PDFs escaneados com mais de 10 páginas estão nas edições Pro e Business.
O EPUB será perfeito?
Nenhum conversor pode prometer isso, e nós não fazemos. Quando o motor detecta problemas (glifos ilegíveis, ordem de leitura duvidosa), ele mostra um aviso em vez de escondê-lo, e o relatório de qualidade lista as páginas que valem a pena verificar.
Devo usar Calibre em vez disso?
Se seu PDF é um texto simples de uma única coluna, o conversor gratuito da Calibre pode ser suficiente. EpubCC é para os casos difíceis: parágrafos quebrados, cabeçalhos repetidos e números de página, notas de rodapé, colunas e capítulos.