EpubCCOdstranit opakující se záhlaví a čísla stránek z převedeného PDF
Běžící záhlaví, zápatí a čísla stránek se ocitají uprostřed vět, když převodník kopíruje každou řádku PDF. EpubCC porovnává stránky, nachází krátké řádky, které se opakují na začátku a na konci, a odstraňuje je spolu s holými čísly stránek.
Až 3 celé knihy denně zdarma. Účet není potřebný.
Aktualizováno:
Soukromé soubory. Nikdy nejsou použity pro trénink. Automaticky odstraněny, nebo ihned po stisknutí Zrušit nyní.
Podívejte se na rozdíl ve čtení.
Proč se to stává
V PDF je název knihy, název kapitoly a číslo stránky jen více textu na každé stránce. Převodník, který nesrovnává stránky, je nedokáže odlišit od textu, takže se vždy ocitnou mezi dvěma polovinami věty, kdykoli se stránka otočí.
Jak EpubCC je odstraňuje
- Krátké bloky v horních nebo dolních 12% stránky, které se opakují na alespoň 3 stránkách, jsou považovány za okraje (číslice a římské číslice jsou normalizovány, takže "Strana 12" a "Strana 13" se počítají jako stejný řádek).
- Blok, který je pouze číslem stránky, je odstraněn, kdekoli se objeví na okraji.
- Věta přerušená přerušením stránky je poté opět spojena.
Co ukazuje benchmark
Metrika úniků okrajů je podíl opakovaných okrajových linií zanechaných v textu. Je spolehlivá pouze pro motory, které rozdělují řádky způsobem, jakým dělá pdftotext-layout, takže ji čtěte jako vodítko, ne jako hodnocení.
| Stroj | Únik okrajů |
|---|---|
| EpubCC engine (EPUB output) | 0.059 |
| EpubCC engine (plain text) | 0.881 |
| pdf_oxide · extract_text | 0.829 |
| pdf_oxide · to_plain_text (XY-cut) | 0.797 |
| pdf_oxide · Markdown | 0.108 |
| PDFium · text().all() | 0.963 |
| OpenDataLoader PDF (local mode) | 0.044 |
| pdftotext (Poppler) | 0.230 |
| Calibre · ebook-convert (EPUB output) | 0.694 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.062 |
Naskenované stránky se čtou s OCR: zdarma do 10 stran, delší PDF na Pro a Business. Zpráva je uvádí, abyste si mohli zkontrolovat jména a čísla.
FAQ
Je to zdarma?
Ano, pro většinu knih: až 3 celé knihy denně, každá do 300 stran a 50 MB, bez účtu. Delší knihy a skeny PDF přes 10 stran jsou na Pro a Business.
Bude EPUB perfektní?
Žádný převodník to nemůže slíbit a my také ne. Když motor detekuje problémy (nečitelný glyf, pochybný pořádek čtení), ukáže varování místo skrývání a zpráva o kvalitě uvádí stránky, které stojí za to zkontrolovat.