EpubCCOpravit promíchané sloupce v převodu PDF na EPUB
Sloupce se zamíchají, když konvertor čte každou řádku zcela napříč stránkou, takže každá řádka spojuje polovinu věty z jednoho sloupce s polovinou věty z dalšího. EpubCC nachází mezery mezi sloupci a čte každý sloupec shora dolů, než přejde na další.
Až 3 celé knihy denně zdarma. Účet není potřebný.
Aktualizováno:
Soukromé soubory. Nikdy nejsou použity pro trénink. Automaticky odstraněny, nebo ihned po stisknutí Zrušit nyní.
Podívejte se na rozdíl ve čtení.
Proč se to stává
PDF ukládá znaky s pozicemi, nikoli sloupci. Některé převodníky dodržují pořadí, ve kterém PDF vykresluje text, jiné čtou každou řádku zleva doprava; na dvousloupcové nebo třísloupcové stránce mohou oba zaměnit sloupce a výsledek se čte jako nesmysl.
Jak EpubCC udržuje sloupce oddělené
- Hledá vertikální kanály bílého prostoru, které se táhnou dolů po stránce a rozděluje stránku na sloupce na těchto místech, pak čte každý sloupec v pořadí.
- Běžící patičky, čísla stránek a otočený text na okraji jsou detekovány odděleně, takže nerozbíjejí sloupce.
- Odstavce, které pokračují ze spodní části jednoho sloupce na vrchol dalšího, jsou spojeny.
Kde to stále selhává
- Na dvousloupcovém arXiv dokumentu v našem benchmarku jiný extraktor udržuje více souvislého textu než náš. Dvouselový případ ukazuje čísla.
- Tabulky jsou čteny jako text v pořadí čtení; nebudou převybudovány jako tabulky.
| Stroj | 8-gramová recall |
|---|---|
| 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 |
Naskenované stránky se čtou s OCR: zdarma do 10 stran, delší PDF na Pro a Business. Zpráva je uvádí, abyste si mohli zkontrolovat jména a čísla.
FAQ
Je to zdarma?
Ano, pro většinu knih: až 3 celé knihy denně, každá do 300 stran a 50 MB, bez účtu. Delší knihy a skeny PDF přes 10 stran jsou na Pro a Business.
Bude EPUB perfektní?
Žádný převodník to nemůže slíbit a my také ne. Když motor detekuje problémy (nečitelný glyf, pochybný pořádek čtení), ukáže varování místo skrývání a zpráva o kvalitě uvádí stránky, které stojí za to zkontrolovat.
Mám místo toho použít Calibre?
Pokud je váš PDF jednoduchý text v jedné koloně, zdarma dostupný převodník Calibre může být dostatečný. EpubCC je určen pro složitější případy: rozbité odstavce, opakující se záhlaví a čísla stránek, poznámky pod čarou, sloupce a kapitoly.