EpubCCRet blandede kolonner i en PDF-til-EPUB konvertering
Søjler bliver blandet sammen, når en konverter læser hver linje direkte hen over siden, så hver linje kombinerer halvdelen af en sætning fra én søjle med halvdelen af en sætning fra den næste. EpubCC finder hullerne mellem søjlerne og læser hver søjle fra top til bund, inden den bevæger sig til den næste.
Op til 3 hele bøger om dagen gratis. Ingen konto nødvendig.
Opdateret:
Private filer. Aldrig brugt til træning. Sletter automatisk, eller straks når du trykker på Slet nu.
Se forskellen i læsning.
Hvorfor det sker
En PDF gemmer tegn med positioner, ikke søjler. Nogle konvertere følger den rækkefølge, hvori PDF tegner teksten, andre fejer hver linje fra venstre til højre; på en to- eller tre-søjlet side kan begge blande søjlerne, og resultatet læser som nonsens.
Hvordan EpubCC holder søjlerne adskilt
- Det søger efter vertikale kanaler af hvid plads, der løber ned ad siden og opdeler siden i kolonner der, og læser derefter hver kolonne i rækkefølge.
- Løbende overskrifter, sidetal og roteret tekst i margen opdages separat, så de ikke bryder kolonnerne.
- Afsnit der fortsætter fra bunden af en kolonne til toppen af den næste bliver sammenføjet.
Hvor det stadig fejler
- På et to-spaltet arXiv papir i vores benchmark, holder en anden extractor mere kontinuerlig tekst end vores. To-spalte tilfældet viser tallene.
- Tabeller læses som tekst i læseorden; de genopbygges ikke som tabeller.
| Motor | 8-gram tilbagekaldelse |
|---|---|
| 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 |
Scannede sider læses med OCR: gratis op til 10 sider, længere PDF'er på Pro og Business. Rapporten viser dem, så du kan tjekke navne og numre.
FAQ
Er det gratis?
Ja, for de fleste bøger: op til 3 hele bøger om dagen, hver på op til 300 sider og 50 MB, uden konto. Længere bøger og scannede PDF'er over 10 sider er på Pro og Business.
Bliver EPUB perfekt?
Ingen konverter kan love det, og det gør vi ikke. Når motoren opdager problemer (ulæselige glypher, tvivlsom læseorden) viser den en advarsel i stedet for at skjule det, og kvalitetsrapporten opregner de sider, der er værd at tjekke.
Skal jeg i stedet bruge Calibre?
Hvis din PDF er en simpel enkeltkolonne tekst, kan Calibre's gratis konverter være tilstrækkelig. EpubCC er til de svære tilfælde: beskadigede afsnit, gentagne overskrifter og sidenumre, fodnoter, kolonner og kapitler.