Como ya sabéis, los PDFs dan para mucho cuando de convertirlos a ePUB se trata, sobre todo por el tipo de “zurraspas” que nos quedan antes de lograr un ebook decente. Ya hemos comentado varios ejemplos en este BLOG (aquí y también aquí) pero viendo estos ejemplos no he podido resistirme a preguntarle a Coco y compartir sus soluciones.
Algunos lectores me han comentado que lo de las “Buenas prácticas de LARdT para un ePUB decente” (en adelante, BBPP LARdT 1.0), está muy bien pero que hablar sobre la teoría es fácil y que las complicaciones aparecen cuando se enfrenta uno a la edición y mejora de un libro en concreto. Y tienen razón. Por eso, he tomado un libro PDF (de los más antipáticos de convertir) y vamos a mostrar paso por paso las modificaciones realizadas para convertirlo en un ePUB decente. (/n/s*)” 
pero en realidad es: 
porque debemos COPIAR y PEGAR entre cada línea el RETORNO DE CARRO: 
1. - Depuramos texto espurio (cabeceras y pies de páginas incrustados entre el texto)
Efectivamente como podéis comprobar en la imagen encontramos encabezados con números de páginas entreverados con el texto, interrumpiendo el flujo del mismo. Podéis ver la imagen en detalle pulsando sobre ella, como siempre. 
El código de BÚSQUEDA es:
<p class="calibre2">Valeri Massimo Manfredi</p>
<p class="calibre2">([\(\ÑñÓ/ÃÁÉÍÚáéíóúÜü¡!?¿*:«»"'-%…=–º©—“”#{(¼)\)
.,;a-zA-Z0-9\-_\s\c]*)</p>
<p class="calibre2"></p>
<p class="calibre2">([0-9]*)</p>
Valeri Massimo Manfredi</p>
<p class="calibre2">L o s i d u s d e m a r z o</p>
<p class="calibre2"></p>
<p class="calibre2">([0-9]*)</p>
<p class="calibre2"></p>
<p class="calibre2">
. Valeri Massimo Manfredi</p>
<p class="calibre2">L o s i d u s d e m a r z o</p>
<p class="calibre2"></p>
<p class="calibre2">([0-9]*)</p>
.</p>
([áéíóúa-zA-Z,;?!0-9])</p>
<p class="calibre2">([¿a-z])
\1 \2
([áéíóúa-zA-Z,;?!—])</p>
<p class="calibre2">([a-z¿])
\1\2
Algunos lectores me han comentado que lo de las “Buenas prácticas de LARdT para un ePUB decente” (en adelante, BBPP LARdT 1.0), está muy bien pero que hablar sobre la teoría es fácil y que las complicaciones aparecen cuando se enfrenta uno a la edición y mejora de un libro en concreto. Y tienen razón. Por eso, he tomado un libro PDF (de los más antipáticos de convertir) y vamos a mostrar paso por paso las modificaciones realizadas para convertirlo en un ePUB decente. (/n/s*)” pero en realidad es: porque debemos COPIAR y PEGAR entre cada línea el RETORNO DE CARRO:
1. - Depuramos texto espurio (cabeceras y pies de páginas incrustados entre el texto)
Efectivamente como podéis comprobar en la imagen encontramos encabezados con números de páginas entreverados con el texto, interrumpiendo el flujo del mismo. Podéis ver la imagen en detalle pulsando sobre ella, como siempre.
El código de BÚSQUEDA es:
<p class="calibre2">Valeri Massimo Manfredi</p>
<p class="calibre2">([\(\ÑñÓ/ÃÁÉÍÚáéíóúÜü¡!?¿*:«»"'-%…=–º©—“”#{(¼)\)
.,;a-zA-Z0-9\-_\s\c]*)</p>
<p class="calibre2"></p>
<p class="calibre2">([0-9]*)</p>
Valeri Massimo Manfredi</p>
<p class="calibre2">L o s i d u s d e m a r z o</p>
<p class="calibre2"></p>
<p class="calibre2">([0-9]*)</p>
<p class="calibre2"></p>
<p class="calibre2">
. Valeri Massimo Manfredi</p>
<p class="calibre2">L o s i d u s d e m a r z o</p>
<p class="calibre2"></p>
<p class="calibre2">([0-9]*)</p>
.</p>
([áéíóúa-zA-Z,;?!0-9])</p>
<p class="calibre2">([¿a-z])
\1 \2
([áéíóúa-zA-Z,;?!—])</p>
<p class="calibre2">([a-z¿])
\1\2
Para hacer la conversión del título “Corsarios de Levante” partimos de un PDF que
Gestionando un montón de notas 
En el archivo PDF, las notas aparecen originalmente como se muestra en la foto, pero después de la conversión, como podéis comprobar aparecen simplemente como un número “pegado” a la palabra en cuestión. Un auténtico desastre multiplicado por cien.
Así que se impone utilizar RegEx para arreglar este entuerto.
Empezamos a buscar una expresión de búsqueda que nos encuentre todas las ocurrencias y nada más que las ocurrencias relacionadas con este error.
Necesitamos una expresión que encuentre palabras terminadas en un número y con un espacio o signo de puntuación a continuación. Desgraciadamente si no delimitamos cuantos números estamos buscando, la expresión nos encontrará también, cosas como nombres de estilo CSS (“calibre9”, por ejemplo). Así que lo partimos en 2 tandas, primero buscaremos 1 a 1 las palabras terminadas en un digito (las notas del 1 al 9), y reemplazaremos 1 a 1 excluyendo las otras cosas que podamos encontrar; y luego ya podremos de un sólo golpe reemplazar las notas del 10 al 95 ya que no se confunden con ninguna otra cosa.
La expresión de sustitución tendrá que incluir el código para convertir ese número en una nota dentro del texto. Así pues:
¡Ale-hop! y …
es decir, donde antes ponía:
bajando la entena1.bajando la entena. <a title="[1]" href="#_ftn1" id="_ftnref1" name="_ftnref1"><span class="MsoPie">[1]</span></a>
Pero no hemos terminado ni mucho menos. Al final del libro nos quedan varias
páginas con el texto aclaratorio de las notas (son 95) que tendremos que vincular a las notas situadas dentro del texto. El problema es que para cada nota, después de copiar-pegar el código tendríamos que realizar al menos 5 modificaciones (1 para cada vez que aparece el número de la nota); por lo que estamos hablando de casi ¡500 ediciones! No puede ser.
Nuestro amigo Coco, nos sugiere que hagamos algún invento que nos ahorre este trabajo tan tedioso.
Lo primero va a ser copiar el texto de las notas a pie de libro en un archivo de texto plano TXT, de forma que cada nota ocupe una línea con su número de nota al inicio de la línea. Con un copiar-pegar y unos cuantos retornos de carro lo hacemos muy rápidamente:
Y ahora vamos a crear un programita que mediante un bucle para los valores 1 a 95, lea la frase correspondiente con el texto de la nota, le añada el código necesario para convertirlo en una nota a pie de libro y escriba el resultado en otro archivo de texto.
Como siempre, si pulsáis en la imagen accederéis al código.
Como soy un tío muy rarito el programa esta hecho en KIXTART, un dialecto BASIC interprete de MICROSOFT orientado al scripting para la gestión de sistemas pero convertirlo a algo más universal, como por ejemplo VISUAL BASIC es muy sencillo porque la sintaxis es muy similar.
Resumiendo:
Para n=1 a 95, leo el archivo con el texto de las notas frase a frase hasta que encuentro la línea con la nota número n; le quito el comienzo de la línea dónde está el número de la nota para dejar sólo el texto. A ese texto le añado delante el código necesario para que sea una nota a pie de libro, cuya parte variable es el número n de la nota. Escribo la frase resultante en otro archivo de texto, donde me quedaran al final 95 líneas, una para cada nota a pie de libro.
Este es el archivo DESTINO resultante: 
Vamos a continuar utilizando RegEx para retocar el texto para
ARREGLANDO LOS ERRORES MÁS HABITUALES
Los errores más habituales tienen que ver con la interrupción del flujo de texto, partiendose frases y párrafos en donde no procede.
Párrafo interrumpido por un RETORNO DE CARRO: 
La expresión de búsqueda será: 
He incluido las vocales acentuadas con la expresión “\()” 
\1 \3 Es decir, la última letra del primer párrafo, un espacio y la primera letra del segundo párrafo.
Además de seleccionar el check de “Match Case” para asegurar la diferenciación entre MAYUSCULAS y MINUSCULAS, conviene seleccionar “Minimal Matching” que asegura que se seleccionan los “segmentos” de texto más pequeños de todos aquellos que cumplen la condición de búsqueda.
Pulsamos ENTER y ¡Voilá!… 
Carácteres espúreos al final de una frase: 
Buscamos un bloque de entre 1 y 3
números (el libro no tiene más de 999 páginas) situado entre un punto “.” con un espacio detrás y una etiqueta de cierre de párrafo.
Lo sustituimos simplemente por un punto “.” seguido de la etiqueta de cierre de párrafo.
Pulsamos ENTER y “Abra-ca-dabra”…
MÁS párrafos interrumpidos por un RETORNO DE CARRO 
Parrafos interrumpidos por un RETORNO DE CARRO después de un guión largo 
Parrafos interrumpidos por un RETORNO DE CARRO después de un guión largo cuando es un COMIENZO de FRASE 
Ya sólo nos queda por resolver el caso más enrevesado y dificil de diferenciar del texto correcto. Es cuando después de guión largo “—” (EM Dash) se rompe el párrafo; y el primer carácter del párrafo siguiente es una MAYÚSCULA, lo cual hace que sea muy dificil de distinguir de un principio de frase legítimo.
Tendremos como expresión de busqueda:
Como siempre despúés de pulsar ENTER: 
Los casos que hemos resuelto con estos retoques han eliminado cerca de 800 errores del texto, lo que supone la diferencia entre un ebook decente y una chapuza.
 |
 |
