EpubCCHerstel door elkaar geraakte kolommen in een PDF-naar-EPUB conversie
Kolommen raken door elkaar wanneer een converter elke regel recht over de pagina leest, waardoor elke regel de helft van een zin van de ene kolom koppelt aan de helft van een zin van de volgende. EpubCC vindt de gaten tussen kolommen en leest elke kolom van boven naar beneden voordat hij naar de volgende gaat.
Tot 3 hele boeken per dag gratis. Geen account nodig.
Bijgewerkt:
Privébestanden. Nooit gebruikt voor training. Worden automatisch verwijderd, of meteen wanneer u nu Verwijderen drukt.
Bekijk het verschil in lezen.
Waarom het gebeurt
Een PDF slaat karakters met posities op, niet kolommen. Sommige converters volgen de volgorde waarin de PDF de tekst trekt, anderen vegen elke regel van links naar rechts; op een pagina met twee of drie kolommen kunnen beide de kolommen mixen, en het resultaat leest als onzin.
Hoe EpubCC de kolommen gescheiden houdt
- Het zoekt naar verticale kanalen van witte ruimtes die langs de pagina lopen en splitst de pagina daar in kolommen, en leest elke kolom in volgorde.
- Lopende koppen, paginanummers en gedraaide tekst in de marge worden afzonderlijk gedetecteerd, zodat ze de kolommen niet breken.
- Paragrafen die van onderaan één kolom naar de bovenkant van de volgende doorgaan, worden samengevoegd.
Waar het nog steeds mislukt
- Op een twee-koloms arXiv-paper in onze benchmark houdt een andere extractor meer doorlopende tekst vast dan de onze. De twee-koloms situatie toont de cijfers.
- Tabellen worden gelezen als tekst in leesvolgorde; ze worden niet opnieuw opgebouwd als tabellen.
| Motor | 8-gram herinnering |
|---|---|
| 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 |
Gescande pagina's worden gelezen met OCR: gratis tot 10 pagina's, langere PDF's op Pro en Business. Het rapport lijst ze op zodat je namen en nummers kunt controleren.
FAQ
Is het gratis?
Ja, voor de meeste boeken: tot 3 volledige boeken per dag, elk tot 300 pagina's en 50 MB, zonder account. Langere boeken en gescande PDF's van meer dan 10 pagina's zijn op Pro en Business.
Zal de EPUB perfect zijn?
Geen enkele converter kan dat beloven, en dat doen wij niet. Wanneer de engine problemen detecteert (onleesbare glyphs, twijfelachtige leesvolgorde) toont het een waarschuwing in plaats van het te verbergen, en het kwaliteitsrapport geeft een lijst van pagina's die het controleren waard zijn.
Moet ik Calibre in plaats daarvan gebruiken?
Als uw PDF een eenvoudige tekst met één kolom is, is Calibre's gratis converter misschien voldoende. EpubCC is voor de moeilijke gevallen: gebroken alinea's, herhaalde koppen en paginanummers, voetnoten, kolommen en hoofdstukken.