EpubCCRemover cabeçalhos e números de página repetidos de um PDF convertido
Cabeçalhos, rodapés e números de página acabam no meio das frases quando um conversor copia cada linha do PDF. EpubCC compara páginas, encontra as linhas curtas que se repetem no topo e na parte inferior e as remove junto com números de página vazios.
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
Em um PDF, o título do livro, o nome do capítulo e o número da página são apenas mais texto em cada página. Um conversor que não compara páginas não pode diferenciá-las do corpo, então elas ficam entre duas metades de uma frase toda vez que a página vira.
Como EpubCC os remove
- Blocos curtos nos 12% superior ou inferior da página que se repetem em pelo menos 3 páginas são tratados como margens (dígitos e números romanos são normalizados, então “Página 12” e “Página 13” contam como a mesma linha).
- Um bloco que é apenas um número de página é removido sempre que aparece na margem.
- A frase interrompida pela quebra de página é então unida novamente.
O que o benchmark mostra
A métrica de vazamento de margem é a proporção de linhas de margem repetidas deixadas no texto. É confiável apenas para motores que dividem linhas da mesma forma que o pdftotext -layout, então considere-a como um guia, não como um ranking.
| Motor | Vazamento de margem |
|---|---|
| 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 |
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.