EpubCCCorrige columnas mezcladas en una conversión de PDF a EPUB
Las columnas se mezclan cuando un convertidor lee cada línea de una sola vez a través de la página, así que cada línea une media oración de una columna con media oración de la siguiente. EpubCC encuentra los espacios entre columnas y lee cada columna de arriba a abajo antes de pasar a la siguiente.
Hasta 3 libros completos al día gratis. No se necesita cuenta.
Actualizado:
Archivos privados. Nunca se utilizan para entrenamiento. Eliminados automáticamente, o inmediatamente cuando presionas Eliminar ahora.
Ver la diferencia en la lectura.
Por qué sucede
Un PDF almacena caracteres con posiciones, no columnas. Algunos convertidores siguen el orden en que el PDF dibuja el texto, otros barrer cada línea de izquierda a derecha; en una página de dos o tres columnas, ambos pueden mezclar las columnas, y el resultado se lee como un sinsentido.
Cómo EpubCC mantiene las columnas separadas
- Busca canales verticales de espacio en blanco que bajan por la página y divide la página en columnas allí, luego lee cada columna en orden.
- Los encabezados en ejecución, números de página y texto rotado en el margen se detectan por separado, así que no rompen las columnas.
- Los párrafos que continúan desde la parte inferior de una columna hasta la parte superior de la siguiente se unen.
Dónde aún falla
- En un artículo de arXiv con dos columnas en nuestra evaluación, otro extractor mantiene más texto continuo que el nuestro. El caso de dos columnas muestra los números.
- Las tablas se leen como texto en orden de lectura; no se reconstruyen como tablas.
| Motor | recuperación de 8-gramas |
|---|---|
| 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 |
Las páginas escaneadas se leen con OCR: gratis hasta 10 páginas, PDFs más largos en Pro y Business. El informe las enumera para que puedas verificar nombres y números.
FAQ
¿Es gratis?
Sí, para la mayoría de los libros: hasta 3 libros completos al día, cada uno de hasta 300 páginas y 50 MB, sin necesidad de cuenta. Los libros más largos y PDFs escaneados de más de 10 páginas están en Pro y Business.
¿El EPUB será perfecto?
Ningún conversor puede prometer eso, y nosotros no lo hacemos. Cuando el motor detecta problemas (glifos ilegibles, orden de lectura dudoso) muestra una advertencia en lugar de ocultarlo, y el informe de calidad enumera las páginas que vale la pena revisar.
¿Debería usar Calibre en su lugar?
Si tu PDF es un texto simple de una sola columna, el convertidor gratuito de Calibre puede ser suficiente. EpubCC es para los casos difíciles: párrafos rotos, encabezados repetidos y números de página, notas al pie, columnas y capítulos.