Arreglando con RegEx los guiones largos perdidos(EM DASH) en un ebook ePUB para Mi reader PAPYRE 6.1 (Cap. 02)

Coco nos comenta que el otro día encontró algo extraño en un ebook ePUB con relación a los guiones largos. Resulta que al abrir el libro en ADE de Adobe los guiones largos aparecían como “?” (cierre interrogación). Evidentemente lo mismo pasaba en el lector ADE de mi PAPYRE. ¿Qué misterio es este?  

 

 

 

La cosa es aun más misteriosa porque, como podéis comprobar en las imágenes, el texto ePUB se ve perfectamente tanto en el browser incorporado de CALIBRE como el editor SIGIL. 

Pues es una cuestión de “buenas prácticas” a la hora de editar el libro. El asunto

está en que ADE es más

estrict

o

en el manejo del conjunto de caracteres permitidos

, y resulta que aunque parezca un guión largo (EM DASH), lo que tenemos en este libro es el carácter “barra” que no es admitido por ADE, PORQUE NO ES UNA ENTIDAD HTML 4.0.

Cómo Arreglarlo 

Pues sustituyéndolo por un carácter que estemos seguros que ADE va a aceptar. La

buena práctica

será utilizar siempre ENTIDADES HTML 4.0 cuyo listado podéis ver en la Wikipedia.
Así, sustituimos por el GUIÓN LARGO (EM DASH) y para estar seguros de no equivocarnos lo escribiremos en su notación HTML, es decir:

—Es una práctica que os recomiendo para cuando utilicéis caracteres "especiales" y así no tendremos sorpresas. Efectivamente después de sustituir, ¡Voilá!, texto arreglado.

 

 

Y recordad, niños, ahora estoy CERCA y ahora LEJOS

Cómo conseguir con RegEx un ebook ePUB con guiones largos (EM DASH) para Mi reader PAPYRE 6.1 (Cap. 01)

Siguiendo con las posibilidades que RegEx nos ofrece para mejorar nuestras libros electrónicos, hoy Coco va a ayudarnos a conseguir un texto con los guiones tipográficos cómo Dios manda. La verdad es que uno no se da cuenta de lo molesto que resulta para el ojo tener un texto con el “signo menos” (MINUS “-“) usado en lugar de los guiones propiamente dichos.
Podemos elegir entre el guión corto (“–“ “EN DASH” - combinación de teclas ALT+0150 bajo Windows) y el guión largo (“—“ “EM DASH” - combinación de teclas ALT+0151 bajo Windows).
La norma tipográfica consiste en

que el guion largo (“EM DASH”) sirve para indicar el cambio de interlocutor en un dialogo, detallar una observación dentro de una frase (es más estético que los paréntesis) o para presentar una enumeración. En relación a esto, a menudo es confundido con el guión corto o peor aún, con el signo “menos” (MINUS). Por lo tanto para las enumeraciones debemos utilizar el guion largo (“EM DASH”). Como r

egla general: debe dejarse un espacio antes y después del guion largo, pero no entre el guion largo y el texto a su interior.

El truco está en que debemos realizar la sustitución sin afectar a los guiones (“EN DASH”) o signos menos legítimos, como por ejemplo, los que separan las dos partes de un sustantivo compuesto (como en “hispano-romano”; p.ej.) o más importante aún en el caso que nos ocupa, los guiones que forman parte de la sintaxis de los estilos CSS (como en margin-bottom: 3px”). Si alteráramos este tipo de guión por error; podemos montar la marimorena en nuestro ePUB; nos quedamos sin libro electrónico.

Utilizando SIGIL vamos a depurar nuestro libro. Empezamos contabilizando las ocurrencias. En Buscar-Reemplazar” pulsamos “Count” y resulta que :

Tenemos 4793 “

signos menos” y la mayoría de ellos deberían ser guiones largos.

Comienzos de párrafo con cambio de interlocutor en el DIALOGO:

Es la convención habitual indicar los diálogos de los personajes (a diferencia de los párrafos de narración) iniciándolos con un guión. Sustituiremos el “MINUS” seguido de espacio por un guión largo (“EM DASH”).


Como siempre podéis acceder al código para COPIAR y PEGAR pulsando encima de la imagen correspondiente.
Expresión de búsqueda y sustitución:

La gracia está en que utilizamos >- para asegurar que sólo encontramos los comienzos de párrafo. Y luego el espacio seguido de una expresión que cubra cualquier posible carácter que venga después en el párrafo completo; aunque bastaría para nuestro objetivo simplemente con el primer carácter del párrafo. Efectivamente:
  Pulsamos ENTER y ¡Voilá!…


Guiones para detallar una observación dentro de una frase:

Se utiliza en lugar del paréntesis “(“ porque resulta más elegante desde el punto de vista tipográfico. Tendremos un guión de inicio, el texto a resaltar y un guión de cierre.


El guión de inicio podremos encontrarlo con la siguiente expresión de búsqueda: \s-(?!(\s))

Es decir, un espacio seguido de un “minus” QUE VAYA SEGUIDO DE UN CARACTER PERTENECIENTE A UNA PALABRA. Esto lo conseguimos con una negación: NO (?!(…)) CARATER ESPACIO \s

   La expresión de sustitución es sencilla: un espacio y el guión largo (EM DASH)   
Pulsamos ENTER y ¡TA-CHÁN!…    

El guión de cierre podremos encontrarlo con la siguiente expresión de búsqueda:

([\w])-(?!([\w]))

Es decir, un final de palabra seguido de un “minus” NO QUE VAYA SEGUIDO DE UN CARACTER PERTENECIENTE A UNA PALABRA. Esto lo conseguimos con una negación: NO (?!(…)) CARATER PERTENECIENTE A UNA PALABRA \w

 
La expresión de sustitución es sencilla: el final de palabra encontrado \1– y el guión largo (EM DASH)

 

Pulsamos ENTER y ¡Ale-Hop!…

 

Únicamente nos quedarían los casos en que el guión de cierre viene después de un carácter de puntuación.
La expresión de búsqueda

([.;¿?’¡!…>])-(?!([\w])) nos serviría para rematar esos casos. (22 ocurrencias en nuestro texto). La expresión de sustitución es la misma que para el caso anterior \1–

Por último, sólo nos quedarían algunos casos (generalmente errores) en los que el guión de cierre tiene delante un espacio. (5 ocurrencias en nuestro texto) que podemos buscar con la expresión de búsqueda: ([\s])-(?!([\w])) y procederemos a corregir eliminando el espacio con la expresión de sustitución – guión largo (EM DASH)  
  
De esta forma hemos podido sustituir todos los MINUS por guiones largos propiamente dichos.


Y recordad, niños, ahora estoy CERCA y ahora LEJOS

Cómo retocar con RegEx la conversión CALIBRE desde el formato PDF y conseguir mejores ebooks en ePUB para Mi reader PAPYRE 6.1 (Cap.02)

En el capítulo anterior habíamos pedido ayuda a Coco para que nos enseñara cómo arreglar los errores que se producen en la conversión de un archivo PDF hacia ePUB en CALIBRE.
Vamos a continuar utilizando RegEx para retocar el texto para conseguir un archivo ePUB sin errores.

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:
Vemos como la frase se corta y empieza un nuevo párrafo.
La expresión de búsqueda será:
  

He incluido las vocales acentuadas con la expresión “\()”
La expresión de sustitución es: \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:
Son números, correspondientes a la paginación del archivo PDF. En este caso, la expresión de búsqueda es sencilla:
  
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
 ¿Pero NO HABIAMOS RESUELTO ESTE TIPO DE ERROR antes? preguntareis. Pues sí, pero NO. Porque en la expresión de búsqueda anterior no incluimos caracteres especiales cómo la coma “,” y la interrogación “¿”. Así pues nos queda cubrir los casos en los que intervienen estos caracteres que son escasos pero que en un libro de 300 y pico páginas pueden darse cerca de 50 veces. Lo resolvemos sin necesidad de RegEx, simplemente copiando la cadena a sustituir:
  Le damos al ENTER y ¡Zas!…
 
Parrafos interrumpidos por un RETORNO DE CARRO después de un guión largo
Al incluir otro tipo de carácter especial, el guión largo “—” (EM Dash) también se escapó de la primera expresión de sustitución. A veces no queda más remedio que realizar este tipo de depuración “por capas de cebolla”, desde lo más general hasta los casos particulares. Aquí la expresión de búsqueda es más compleja:

Como siempre en este caso, debemos marcar el check de “Match Case” para asegurarnos de discriminar entre MAYUSCULAS y MINUSCULAS. Pulsamos ENTER para ver la magia de RegEx en acción:
 
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:

OJO! con el “Match Case” y “Minimal Matching”; Pero aquí el truco para comprobar que efectivamente se ha roto la frase de forma incorrecta es que existe un punto “.” justo antes del guión largo “—” (EM Dash); lo que indica que el mismo es el primer caracter de una nueva frase y no el último de la corriente.
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.

Cómo retocar con RegEx la conversión CALIBRE desde el formato PDF y conseguir mejores ebooks en ePUB para Mi reader PAPYRE 6.1 (Cap.01)

Cómo seguramente ya sabréis, el formato PDF es uno de los más complicados a la hora de conseguir buenos resultados en la conversión hacia otros formatos, como ePUB. Sin embargo, PDF ha sido y sigue siendo, el formato estándar de facto para los documentos facsímiles de contenidos en papel. Por ello, muchas veces no nos quedará otro remedio que partir de un PDF para la creación de nuestro ebook en otro formato. Y hemos pedido ayuda a Coco para que nos muestre cómo mejorar los resultados obtenidos en la conversión.

CÓMO REALIZAR LA CONVERSIÓN DESDE PDF
Existen herramientas para pre-procesar el archivo PDF y conseguir un mejor resultado en la conversión, y hablaremos de ellos en alguna otra entrada. Sin embargo, los resultados obtenidos suelen ser bastante irregulares; por lo que generalmente procedo sin más a convertir el archivo en CALIBRE, sin más; y luego retoco el resultado. Porque en cualquier caso, para conseguir un ebook decente en el formato de destino, es inevitable pasarlo por una fase de pos-proceso. En este caso, el ebook que vamos a utilizar para los ejemplos (“La nave de un millón de años” de Poul Anderson, que tenéis en la BIBLIOTECA), fue preprocesado en ADOBE ACROBAT PROFESIONAL, recortando el extremo inferior de las páginas para eliminar los números de página; y se realizaron otras operaciones para intentar eliminar lo más posible códigos que contaminaran el flujo del texto. Pero cómo comprobareis a continuación, las operaciones de preproceso no produjeron el resultado deseado. 
Sin embargo, es interesante recordar un parámetro que puede mejorar el output final en CALIBRE, asegurando la integridad de las frases y párrafos, evitando que aparezcan cortadas sin venir a cuento:

Como se muestra en la imagen, en el apartado de ENTRADA PDF podemos jugar con el parámetro “Factor para unir líneas divididas”. Nos encontraremos menos líneas divididas si reducimos el valor por defecto de 0,5 (la longitud más frecuente de frase dentro del texto) a 0,25 ó 0,30.

PERO AL FINAL TOCA RETOCAR EL TEXTO…
Abrimos el texto en nuestra herramienta de pos-prensa preferida, SIGIL y encontramos varios tipos de errores en el texto convertido:

Números de página o de título partiendo un párrafo:
Esto se produce por la confusión entre el contenido de los pies de página y el texto en el archivo PDF. Y queda HORRIBLE. Para subsanarlo aprovecharemos nuestros (escasos) conocimientos de RegEx (Expresiones Regulares) y preparamos una expresión de búsqueda que seleccione todas las ocurrencias de este error en el texto:

Necesitamos encontrar “un espacio seguido de un número al lado de una etiqueta de fin de párrafo que a continuación tenga una marca de inicio de párrafo seguida de una palabra que comienza por minúscula”.

 
servirá para seleccionar todas las ocurrencias en el texto. Pero OJO! habrá que marcar el check “Match Case” para distinguir entre mayúsculas y minúsculas, ya que el signo distintivo de este error es que el segundo párrafo empieza por MINUSCULA, quedando claro que es una frase que se ha partido por la mitad.

La expresión de reemplazo es sencilla:
 \2

para indicar que queremos reemplazar por el segundo grupo de “caracteres variables”, en este caso la letra inicial de la primera palabra del segundo párrafo.
Le damos a ENTER y ¡ale-hop!…

De un golpe hemos arreglado 153 errores en el texto. Y como esta entrada ya está quedando un poco larga, continuaremos con más ejemplos en el próximo capítulo.