EpubCCCorrigir colunas misturadas em uma conversão de PDF para EPUB
As colunas se misturam quando um conversor lê linha a linha em uma página com várias colunas, então cada linha junta metade de uma frase de uma coluna com metade de uma frase da próxima. EpubCC encontra as lacunas entre colunas e lê cada coluna de cima para baixo antes de passar para a próxima.
Até 3 livros inteiros por dia gratuitos. Conta não necessária.
Atualizado:
Arquivos privados. Nunca utilizados para treinamento. Excluídos automaticamente, ou imediatamente quando você pressiona Excluir agora.
Veja a diferença na leitura.
Por que isso acontece
Uma PDF armazena caracteres com posições, não colunas. Alguns conversores seguem a ordem em que a PDF desenha o texto, outros leem cada linha da esquerda para a direita; em uma página de duas ou três colunas, ambos podem misturar as colunas, e o resultado pode parecer nonsense.
Como EpubCC mantém as colunas separadas
- Ele busca canais verticais de espaço em branco que descem pela página e divide a página em colunas ali, depois lê cada coluna em ordem.
- Cabeçalhos em execução, números de página e texto rotacionado na margem são detectados separadamente, para que não quebrem as colunas.
- Parágrafos que continuam do fundo de uma coluna para o topo da próxima são unidos.
Onde ainda falha
- Em um artigo de duas colunas no nosso benchmark, outro extrator mantém mais texto contínuo do que o nosso. O caso de duas colunas mostra os números.
- Tabelas são lidas como texto na ordem de leitura; não são reconstruídas como tabelas.
| Motor | Recuperação de 8-grama |
|---|---|
| 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 |
Páginas digitalizadas são lidas com OCR: gratuito até 10 páginas, PDFs mais longos no Pro e Business. O relatório lista elas para que você possa verificar nomes e números.
FAQ
É gratuito?
Sim, para a maioria dos livros: até 3 livros inteiros por dia, cada um com até 300 páginas e 50 MB, sem conta. Livros mais longos e PDFs escaneados com mais de 10 páginas estão nas edições Pro e Business.
O EPUB será perfeito?
Nenhum conversor pode prometer isso, e nós não fazemos. Quando o motor detecta problemas (glifos ilegíveis, ordem de leitura duvidosa), ele mostra um aviso em vez de escondê-lo, e o relatório de qualidade lista as páginas que valem a pena verificar.
Devo usar Calibre em vez disso?
Se seu PDF é um texto simples de uma única coluna, o conversor gratuito da Calibre pode ser suficiente. EpubCC é para os casos difíceis: parágrafos quebrados, cabeçalhos repetidos e números de página, notas de rodapé, colunas e capítulos.