EpubCCRezolvă coloane amestecate într-o conversie de la PDF la EPUB
Coloanele se amestecă atunci când un converter citește fiecare linie direct de-a lungul paginii, așa că fiecare linie asociază jumătate dintr-o propoziție dintr-o coloană cu jumătate dintr-o propoziție din următoarea. EpubCC găsește golurile între coloane și citește fiecare coloană de sus în jos înainte de a trece la următoarea.
Până la 3 cărți complete pe zi gratuite. Nu este necesar un cont.
Actualizat:
Fișiere private. Niciodată folosite pentru antrenament. Șterse automat, sau imediat când apeși Șterge acum.
Vezi diferența în citire.
De ce se întâmplă asta
Un PDF stochează caractere cu poziții, nu coloane. Unele convertoare urmează ordinea în care PDF desenează textul, altele citesc fiecare linie de la stânga la dreapta; pe o pagină cu două sau trei coloane, ambele pot amesteca coloanele, iar rezultatul este de neînțeles.
Cum EpubCC păstrează coloanele separate
- Caută canale verticale de spațiu alb care coboară pe pagină și împarte pagina în coloane acolo, apoi citește fiecare coloană în ordine.
- Anteturile mobile, numerele de pagină și textul rotit în margine sunt detectate separat, astfel încât să nu rupă coloanele.
- Paragrafele care continuă de la baza unei coloane până în vârful celeilalte sunt unite.
De unde încă eșuează
- Pe un articol arXiv cu două coloane în banca noastră de testare, un alt extractor păstrează un text mai continuu decât al nostru. Cazul cu două coloane arată cifrele.
- Tabelele sunt citite ca text în ordinea de citire; ele nu sunt reconstruite ca tabele.
| Motor | recall 8-gram |
|---|---|
| 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 |
Paginile scanate sunt citite cu OCR: gratuit până la 10 pagini, PDF-uri mai lungi pe Pro și Business. Raportul le listează astfel încât să puteți verifica nume și numere.
FAQ
Este gratuit?
Da, pentru cele mai multe cărți: până la 3 cărți întregi pe zi, fiecare de până la 300 de pagini și 50 MB, fără cont. Cărțile mai lungi și PDF-urile scanate de peste 10 pagini sunt pe Pro și Business.
Va fi EPUB-ul perfect?
Niciun converter nu poate promite asta, și noi nu o facem. Când motorul detectează probleme (glife ilizibile, ordine de citire îndoielnică), arată un avertisment în loc să o ascundă, iar raportul de calitate listează paginile care merită verificate.
Ar trebui să folosesc Calibre în schimb?
Dacă PDF este un text simplu pe o singură coloană, converterul gratuit Calibre poate fi suficient. EpubCC este pentru cazurile dificile: paragrafe rupte, titluri repetate și numere de pagină, note de subsol, coloane și capitole.