EpubCCEliminar encabezados repetidos y números de página de un PDF convertido
Los encabezados en ejecución, pies de página y números de página terminan en medio de oraciones cuando un convertidor copia cada línea del PDF. EpubCC compara páginas, encuentra las líneas cortas que se repiten en la parte superior e inferior, y las elimina junto con números de página vacíos.
Hasta 3 libros completos al día gratis. No se necesita cuenta.
Actualizado:
Archivos privados. Nunca se utilizan para entrenamiento. Eliminados automáticamente, o inmediatamente cuando presionas Eliminar ahora.
Ver la diferencia en la lectura.
Por qué sucede
En un PDF el título del libro, el nombre del capítulo y el número de página son solo más texto en cada página. Un conversor que no compara páginas no puede distinguirlos del cuerpo, por lo que cada vez que cambia la página, caen entre dos mitades de una oración.
Cómo EpubCC los elimina
- Bloques cortos en el 12% superior o inferior de la página que se repiten en al menos 3 páginas se tratan como márgenes (los dígitos y números romanos son normalizados, por lo que 'Página 12' y 'Página 13' cuentan como la misma línea).
- Un bloque que es solo un número de página se elimina dondequiera que aparezca en el margen.
- La frase interrumpida por el salto de página se une nuevamente.
Lo que muestra el punto de referencia
La métrica de fuga de márgenes es la proporción de líneas de margen repetidas dejadas en el texto. Solo es confiable para motores que dividen líneas de la manera en que lo hace pdftotext -layout, así que léelo como una guía, no como un ranking.
| Motor | Filtración de márgenes |
|---|---|
| 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 |
Las páginas escaneadas se leen con OCR: gratis hasta 10 páginas, PDFs más largos en Pro y Business. El informe las enumera para que puedas verificar nombres y números.
FAQ
¿Es gratis?
Sí, para la mayoría de los libros: hasta 3 libros completos al día, cada uno de hasta 300 páginas y 50 MB, sin necesidad de cuenta. Los libros más largos y PDFs escaneados de más de 10 páginas están en Pro y Business.
¿El EPUB será perfecto?
Ningún conversor puede prometer eso, y nosotros no lo hacemos. Cuando el motor detecta problemas (glifos ilegibles, orden de lectura dudoso) muestra una advertencia en lugar de ocultarlo, y el informe de calidad enumera las páginas que vale la pena revisar.