EpubCCElimină anteturile repetate și numerele de pagină dintr-un PDF convertit
Anteturile curgătoare, subsolurile și numerele de pagină ajung în mijlocul propozițiilor atunci când un converter copiază fiecare linie a PDF. EpubCC compară paginile, găsește liniile scurte care se repetă în partea de sus și de jos, și le elimină împreună cu numerele de pagină goale.
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
Într-un PDF titlul cărții, numele capitolului și numărul paginii sunt doar text suplimentar pe fiecare pagină. Un converter care nu compară paginile nu poate să le distingi de conținut, așa că ajung între două jumătăți de propoziție de fiecare dată când pagina se întoarce.
Cum EpubCC le elimină
- Blocuri scurte în partea de sus sau de jos a paginii care se repetă pe cel puțin 3 pagini sunt tratate ca margini (cifrele și numerele romane sunt normalizate, astfel încât "Pagina 12" și "Pagina 13" sunt considerate aceeași linie).
- Un bloc care este doar un număr de pagină este eliminat oriunde apare în margine.
- Fraza întreruptă de întreruperea paginii este apoi reunită.
Ce arată benchmark-ul
Metrica de scurgere a marginii este cota linilor de margine repetate lăsate în text. Este fiabilă doar pentru motoare care împart liniile în modul în care o face pdftotext -layout, deci citește-o ca pe un ghid, nu ca pe un clasament.
| Motor | Scurgere de margine |
|---|---|
| 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 |
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.