EpubCCΕπιδιόρθωση ανακατεμένων στηλών σε μετατροπή PDF-σε-EPUB.
Οι στήλες μπερδεύονται όταν ένας μετατροπέας διαβάζει κάθε γραμμή ευθεία διαγώνια σελίδας, οπότε κάθε γραμμή συνδυάζει μισή πρόταση από μια στήλη με μισή πρόταση από την επόμενη. Ο EpubCC βρίσκει τα κενά μεταξύ των στηλών και διαβάζει κάθε στήλη πάνω προς τα κάτω πριν μετακινηθεί στην επόμενη.
Έως 3 ολόκληρα βιβλία την ημέρα δωρεάν. Δεν απαιτείται λογαριασμός.
Ενημερωμένο:
Ιδιωτικά αρχεία. Ποτέ δεν χρησιμοποιούνται για εκπαίδευση. Διαγράφονται αυτόματα ή αμέσως μόλις πατήσετε Διαγραφή τώρα.
Δείτε τη διαφορά στην ανάγνωση.
Γιατί συμβαίνει αυτό
Μια PDF αποθηκεύει χαρακτήρες με θέσεις, όχι στήλες. Ορισμένοι μετατροπείς ακολουθούν τη σειρά με την οποία η PDF σχεδιάζει το κείμενο, άλλοι σκουπίζουν κάθε γραμμή από αριστερά προς τα δεξιά. Σε μια σελίδα με δύο ή τρεις στήλες μπορεί να συμβεί μείξη των στηλών και το αποτέλεσμα να διαβάζεται ως ανοησία.
Πώς η EpubCC διατηρεί τις στήλες ξεχωριστές
- Αναζητά κατακόρυφα κανάλια λευκού χώρου που τρέχουν κατακόρυφα στη σελίδα και χωρίζει τη σελίδα σε στήλες εκεί, στη συνέχεια διαβάζει κάθε στήλη με τη σειρά.
- Οι τρέχουσες κεφαλίδες, οι αριθμοί σελίδων και το περιστραμμένο κείμενο στηMargul σχεδιασμένα ανιχνεύονται ξεχωριστά, ώστε να μην διακόπτουν τις στήλες.
- Οι παράγραφοι που συνεχίζονται από το κάτω μέρος μιας στήλης στο επάνω μέρος της επόμενης ενώνονται.
Πού αποτυγχάνει ακόμα
- Σε μια εργασία με δύο στήλες στο arXiv το οποίο είναι η αναφορά μας, ένας άλλος extractor διατηρεί περισσότερο συνεχές κείμενο από εμάς. Η περίπτωση των δύο στηλών δείχνει τους αριθμούς.
- Οι πίνακες διαβάζονται ως κείμενο με σειρά ανάγνωσης· δεν ξαναχτίζονται ως πίνακες.
| Μηχανή | 8-γραμμα ανάκληση |
|---|---|
| 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 |
Οι σκαναρισμένες σελίδες διαβάζονται με OCR: δωρεάν έως 10 σελίδες, μεγαλύτερα PDFs σε Pro και Business. Η αναφορά τους απαριθμεί ώστε να μπορείτε να ελέγξετε τα ονόματα και τους αριθμούς.
FAQ
Είναι δωρεάν;
Ναι, για τα περισσότερα βιβλία: έως 3 ολόκληρα βιβλία την ημέρα, το καθένα έως 300 σελίδες και 50 MB, χωρίς λογαριασμό. Μακρύτερα βιβλία και σκαναρισμένα PDFs πάνω από 10 σελίδες είναι στο Pro και Business.
Θα είναι τέλειο το EPUB;
Κανένας μετατροπέας δεν μπορεί να υποσχεθεί αυτό, και δεν το κάνουμε. Όταν η μηχανή ανιχνεύει προβλήματα (μη αναγνώσιμα γλυφικά, θεωρητική αμφίβολη σειρά ανάγνωσης) δείχνει μια προειδοποίηση αντί να το κρύβει, και η αναφορά ποιότητας αναφέρει τις σελίδες που αξίζει να ελέγξετε.
Πρέπει να χρησιμοποιήσω το Calibre αντί;
Αν η PDF είναι ένα απλό κείμενο μονής στήλης, ο δωρεάν μετατροπέας του Calibre μπορεί να είναι αρκετός. Ο EpubCC είναι για τις δύσκολες περιπτώσεις: σπασμένες παραγράφους, επαναλαμβανόμενοι τίτλοι και αριθμοί σελίδας, υποσημειώσεις, στήλες και κεφάλια.