EpubCCEntferne wiederholte Kopfzeilen und Seitenzahlen aus einem konvertierten PDF
Laufende Überschriften, Fußzeilen und Seitenzahlen landen mitten in Sätzen, wenn ein Konverter jede Zeile des PDF kopiert. EpubCC vergleicht Seiten, findet die kurzen Zeilen, die oben und unten wiederholt werden, und entfernt sie zusammen mit nackten Seitenzahlen.
Bis zu 3 ganze Bücher pro Tag kostenlos. Kein Konto erforderlich.
Aktualisiert:
Private Dateien. Nie für das Training verwendet. Automatisch gelöscht oder sofort, wenn du jetzt Löschen drückst.
Sehen Sie den Unterschied beim Lesen.
Warum es passiert
In einem PDF sind der Buchtitel, der Kapitelname und die Seitenzahl einfach mehr Text auf jeder Seite. Ein Konverter, der Seiten nicht vergleicht, kann sie nicht vom Textkörper unterscheiden, sodass sie jedes Mal zwischen zwei Hälften eines Satzes landen, wenn die Seite umblättert.
Wie EpubCC sie entfernt
- Kurze Blöcke im oberen oder unteren 12% der Seite, die auf mindestens 3 Seiten wiederholt werden, werden als Ränder behandelt (Ziffern und römische Ziffern werden normalisiert, sodass „Seite 12“ und „Seite 13“ als dieselbe Zeile zählen).
- Ein Block, der lediglich eine Seitenzahl ist, wird überall dort entfernt, wo er im Rand erscheint.
- Der Satz, der durch den Seitenumbruch unterbrochen wurde, wird dann wieder zusammengefügt.
Was der Benchmark zeigt
Die Margin-Leak-Metrik ist der Anteil an wiederholten Marginlinien im Text. Sie ist nur für Engines zuverlässig, die Linien so aufteilen, wie pdftotext-Layout es tut, lesen Sie sie daher als Leitfaden und nicht als Rangliste.
| Motor | Randleck |
|---|---|
| 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 |
Gescannte Seiten werden mit OCR gelesen: kostenlos bis zu 10 Seiten, längere PDFs bei Pro und Business. Der Bericht listet diese auf, damit Sie Namen und Zahlen überprüfen können.
FAQ
Ist es kostenlos?
Ja, für die meisten Bücher: bis zu 3 ganze Bücher pro Tag, jeweils bis zu 300 Seiten und 50 MB, ohne Konto. Längere Bücher und gescannte PDFs über 10 Seiten sind in Pro und Business.
Wird die EPUB perfekt sein?
Kein Konverter kann das versprechen, und wir tun es nicht. Wenn die Engine Probleme erkennt (unlesbare Glyphen, zweifelhafte Lesereihenfolge), wird eine Warnung angezeigt, anstatt sie zu verbergen, und der Qualitätsbericht listet die Seiten auf, die es wert sind, überprüft zu werden.