Chuyển EPUB sang Markdown online miễn phí

EPUB sang Markdown: Giữ nguyên cấu trúc chương của sách

Đổi tên một .epub đến .zip và giải nén nó. Bạn sẽ tìm thấy một thư mục chứa các tệp XHTML, một một hoặc hai biểu định kiểu, một số hình ảnh và một bảng kê khai có tên content.opf liệt kê mọi phần và khai báo thứ tự chúng được đọc. Đó là toàn bộ định dạng. EPUB không phải là một đốm màu nhị phân bí ẩn — nó một trang web nhỏ đựng trong một chiếc túi, với một mục lục được cài vào đó.

Điều đó làm cho nó có nguyên liệu thô tốt một cách bất thường. Khi bạn chuyển đổi EPUB sang Markdown, bạn không phải đoán cấu trúc theo cách bạn phải làm với một tệp PDF. Các tiêu đề đã là tiêu đề. Chương một là đã là một tài liệu riêng biệt. Thứ tự đọc được khai báo, không suy ra. Thả một tập tin vào bộ chuyển đổi ở trên và bạn nhận được phiên bản Markdown của cuốn sách với hệ thống phân cấp nguyên vẹn — miễn phí, không cần đăng ký, giới hạn 50 MB, không có gì đứng về phía chúng tôi.

Tại sao cấu trúc tồn tại rất tốt

Ba thứ bên trong thùng chứa thực hiện công việc nặng nhọc và bạn nên biết tác dụng của từng thứ:

• Các tệp nội dung XHTML. Đánh dấu ngữ nghĩa thực sự - <h1>, <h2>, <blockquote>, <ol>. Những bản đồ này lên Markdown gần như một chọi một. Tiêu đề chương trở thành #, một phần trở thành ##, một trích dẫn kéo trở thành >, chữ nghiêng cho tên sách vẫn in nghiêng.
• Cột sống. Tệp OPF liệt kê các tài liệu theo thứ tự đọc nên các chương sẽ xuất hiện được sắp xếp theo trình tự chính xác ngay cả khi tên tệp nội bộ là những thứ vô nghĩa như part0009.xhtml.
• Tài liệu điều hướng. Mục lục riêng của cuốn sách. Đó là chương lý do tiêu đề tồn tại dưới dạng tiêu đề thay vì xuất hiện dưới dạng dòng văn bản in đậm ẩn danh.

Kết quả thực tế: Markdown bạn nhận được có thể điều hướng được. Bạn có thể kéo tới chương 12, cắt nó ra, và dán nó vào một mô hình. Hãy thử làm tương tự với kết xuất văn bản phẳng dài 400 trang và bạn đang sử dụng grep và rất nhiều hy vọng.

Những điều cần xem lại lần thứ hai

Không có gì ở đây có thể phá vỡ thỏa thuận, nhưng việc đọc lướt đầu ra cho những điều này sẽ mất một phút và tránh nhầm lẫn sau này.

• Vật chất phía trước và phía sau đi cùng với chuyến đi. Trang bản quyền, cống hiến, "cũng của tác giả này", lời cảm ơn, sơ khai chỉ mục. Trong quy trình nghiên cứu có vài nghìn mã thông báo không có gì cả. Xóa nó trước khi bạn dán.
• Chú thích cuối trang và chú thích cuối được di chuyển. Trong nguồn, chúng có liên kết tới tệp ghi chú tại phần cuối của cuốn sách. Khi chạy Markdown chúng sẽ tụ lại ở cuối chương hoặc xuất hiện dưới dạng số trần nơi tham chiếu. Đối với tiểu thuyết, không liên quan. Đối với một chuyên khảo học thuật trong đó một nửa lập luận tồn tại trong các ghi chú, hãy kiểm tra xem chúng đã đến đâu trước khi bạn xây dựng bất cứ điều gì trên đó.
• Hình ảnh không trở thành văn bản. Ảnh bìa, sơ đồ và bản đồ là các tệp bên trong kho lưu trữ, không phải lời nói. Không có OCR ở đây nên nhãn của sơ đồ sẽ không xuất hiện. Nếu một hình mang lời giải thích, bạn sẽ cần có bản gốc bên cạnh.
• Các cấp độ tiêu đề có thể không nhất quán. Một số nhà xuất bản đánh dấu mỗi chương là <h1>, những người khác sử dụng <h1> cho các bộ phận và <h2> cho chương, và một số ít sử dụng theo kiểu <p> thẻ và không có tiêu đề thực sự nào cả. Vụ cuối cùng đó rất hiếm nhưng nó là tác phẩm tạo ra sự chuyển đổi có vẻ phẳng từ một cuốn sách rõ ràng có các chương.
• Mũ thả và lỗ mũ nhỏ. Một chương bắt đầu bằng chữ "Tôi" trang trí lớn bề mặt như một ký tự đi lạc trên dòng riêng của nó. Thẩm mỹ, dễ nhận biết.

DRM dừng hoạt động này - Đọc phần này trước khi tải lên

Hầu hết các EPUB được mua từ cửa hàng thương mại đều có quản lý quyền kỹ thuật số. Các tập tin nội dung bên trong container được mã hóa và có một encryption.xml ngồi cạnh bản kê khai có ghi vậy. Không có công cụ chuyển đổi nào có thể đọc được chúng, và công cụ này cũng vậy. Nếu bạn tải lên một cuốn sách được bảo vệ bằng DRM, bạn sẽ nhận được lỗi hoặc kết quả trống và tệp là lý do chứ không phải công cụ.

Tuy nhiên, EPUB không có DRM có ở khắp mọi nơi. Project Gutenberg, Standard Ebooks, hầu hết các nhà xuất bản kỹ thuật, báo chí của trường đại học, bản phát hành Creative Commons, bất kỳ thứ gì bạn tự xuất từ công cụ viết và về nguyên tắc có rất nhiều cửa hàng độc lập bán các tập tin không bị cản trở. Những người chuyển đổi mà không ồn ào.

Đối với câu hỏi hiển nhiên: việc chuyển đổi một cuốn sách bạn sở hữu để bạn có thể nghiên cứu nó là việc sử dụng cá nhân thông thường; xuất bản lại văn bản có bản quyền của ai đó lại là một chuyện hoàn toàn khác. Đó là toàn bộ lời khuyên.

Cả một cuốn sách không vừa — Làm từng chương một

Một cuốn tiểu thuyết dài khoảng 100.000 từ, và một tựa sách phi hư cấu dày đặc có thể dài gấp đôi con số đó. Được chuyển đổi thành mã thông báo, điều đó vượt xa những gì hầu hết các mô hình sẽ thực hiện trong một lần và thậm chí cả những mô hình có ngữ cảnh dài trở nên mơ hồ hơn đáng kể khi bạn điền chúng. Sự chú ý lan truyền mỏng. Chi tiết ở giữa bị bỏ qua.

Đây chính xác là nơi Markdown giành được vị trí trên văn bản phẳng. Vì tiêu đề chương vẫn tồn tại nên bạn có thể cắt tập tin một cách rõ ràng và làm việc từng chương một:

• Tóm tắt từng chương riêng biệt, sau đó đưa các bản tóm tắt trở lại dưới dạng một tài liệu ngắn và yêu cầu xuyên suốt toàn bộ cuốn sách.
• Xây dựng hướng dẫn học tập cho mỗi chương — các tuyên bố, thuật ngữ, câu hỏi chính — và ghép chúng thành một tài liệu tham khảo.
• Đặt các câu hỏi có mục tiêu dựa trên một chương duy nhất, vì vậy câu trả lời của mô hình sẽ xuất phát từ 6.000 từ. hơn là bị pha loãng trên 150.000.
• Đầu tiên hãy biến cây tiêu đề thành một bản phác thảo. Đó là một cách nhanh chóng để quyết định ba chương nào thực sự quan trọng với việc bạn đang làm.

Bộ đếm mã thông báo bên dưới đầu ra là tín hiệu hữu ích ở đây. Nó cho bạn biết trước khi dán liệu bạn có nhìn vào một công việc có kích thước bằng một chương hoặc một công việc cả cuốn sách.

EPUB so với bản PDF của cùng một cuốn sách

Nếu bạn có cả hai, hãy lấy EPUB. Mọi lúc. Hai định dạng giải quyết các vấn đề trái ngược nhau và nó thể hiện trong đầu ra.

Một tệp PDF có bố cục cố định - các glyph được ghim vào tọa độ trên một trang không bao giờ thay đổi kích thước. Phương tiện khai thác xây dựng lại các câu từ các vị trí, suy ra các tiêu đề từ cỡ chữ và đoán xem hai các cột nên xen kẽ. Tiêu đề và số trang chạy ở giữa đoạn văn. PDF sang Markdown xử lý tất cả tốt thôi, nhưng đó là công việc tái thiết.

EPUB có thể chỉnh lại được. Không có trang nào nên không có nội dung trang nào để tách và không có hình học cột để gỡ rối. Cấu trúc được nêu rõ hơn là ngụ ý. Một điều mà PDF nắm giữ tốt hơn là tính chính xác bố cục kiểu chữ — các bảng phức tạp, các thanh bên được định vị vừa phải, bất cứ thứ gì có cách sắp xếp trên trang là một phần của ý nghĩa. Đối với văn xuôi, EPUB thắng thoải mái.

Mọi người sử dụng cái này để làm gì

• Nghiên cứu một cuốn sách kỹ thuật. Chuyển đổi tiêu đề theo phong cách O'Reilly, giữ nguyên chương bạn đang sử dụng xử lý và ghép nối nó với Kho lưu trữ GitHub dưới dạng văn bản vậy là một trợ lý có thể xem lý thuyết và mã thực tế của bạn cùng nhau.
• Xây dựng một tài liệu tham khảo cá nhân. Hệ thống phân cấp tiêu đề làm cho sách đã chuyển đổi có thể tìm kiếm được trong Obsidian, wiki hoặc một thư mục đơn giản của .md tập tin - có thể tìm kiếm theo cách một trình đọc sách điện tử thư viện thì không.
• Làm việc thông qua danh sách đọc khóa học. Tóm tắt cấp chương và thực hành được tạo các câu hỏi, có thể truy ngược lại phần mà chúng xuất phát.
• Công việc viết tay. Tác giả và biên tập viên xuất EPUB từ Scrivener hoặc Vellum, chuyển đổi nó và nhận một bản sao dự thảo có thể khác biệt, có thể kiểm soát phiên bản.

Thay vào đó, nếu bạn muốn toàn bộ cuốn sách là một dòng văn xuôi không bị gián đoạn - để nhúng, chấm điểm khả năng đọc, hoặc lập chỉ mục cho một kệ đầy sách cùng một lúc -- EPUB sang văn bản là phù hợp hơn. các chuyển đổi định dạng ở đầu trang này chuyển đổi giữa hai định dạng và giữ lại tệp bạn đã chọn, vì vậy việc so sánh cả hai kết quả đầu ra tốn một cú nhấp chuột thay vì tải lên lần thứ hai.

Câu hỏi thường gặp

Làm cách nào để chuyển đổi EPUB thành Markdown?

Tải lên .epub ở trên và cuốn sách trở lại dưới dạng Markdown với cấu trúc tiêu đề nguyên vẹn, có thể tải xuống dưới dạng .md. Miễn phí, 50 MB mỗi tệp, không cần đăng ký. EPUB là XHTML bên dưới, vì vậy đây là một chuyển đổi bảo toàn cấu trúc chứ không phải là trích xuất mất dữ liệu — nó chuyển đổi tốt hơn hầu hết mọi định dạng khác ở đây.

Tại sao EPUB chuyển đổi sang Markdown một cách rõ ràng như vậy?

Bởi vì nguồn đã được đánh dấu ngữ nghĩa. EPUB là một tệp zip chứa các tệp XHTML trong đó tiêu đề chương thực sự là một <h1> và sự nhấn mạnh thực sự là một <em> — cấu trúc được ghi lại, không ngụ ý nó trông như thế nào. Ánh xạ tới Markdown gần giống với bản dịch trực tiếp, đó là lý do tại sao các tiêu đề, danh sách, dấu ngoặc kép và chữ in nghiêng đều tồn tại.

Tiêu đề chương có trở thành tiêu đề Markdown không?

Đúng, ở cấp độ mà cuốn sách đã khai báo chúng, vì vậy một cuốn sách có các phần và chương sẽ tạo ra một dàn bài lồng vào nhau chứ không phải một dàn bài phẳng. Điều đó làm cho đầu ra thực sự có thể điều hướng được - bạn có thể xếp nó vào một trình chỉnh sửa, liên kết đến một phần hoặc hỏi một mô hình về một chương cụ thể và yêu cầu nó tìm đúng vị trí.

Sách được bảo vệ bằng DRM có được hỗ trợ không?

Không. Các tệp được mã hóa từ Kindle hoặc Apple Books không có nội dung có thể đọc được cho đến khi chúng được giải mã bởi ứng dụng đọc sở hữu chúng, vì vậy việc chuyển đổi không mang lại kết quả gì. EPUB không có DRM — Gutenberg, Sách điện tử tiêu chuẩn, hầu hết các nhà xuất bản kỹ thuật, bản thảo của riêng bạn — hoạt động mà không cần xử lý đặc biệt.

Điều này có hữu ích cho việc xây dựng kho dữ liệu RAG từ sách không?

Đây là điểm khởi đầu tốt hơn của hai định dạng. Cấu trúc tiêu đề cung cấp cho bạn các ranh giới phân đoạn tự nhiên, do đó bạn có thể chia thành các chương hoặc phần thay vì theo số ký tự tùy ý để cắt bớt đối số ở giữa. Thay vào đó, nếu người quản lý của bạn muốn văn xuôi đơn giản, EPUB sang văn bản bỏ qua cú pháp.

Phần còn lại của bộ công cụ

EPUB là một trong mười ba định dạng được xử lý ở đây. File2Txt lấy bất kỳ cái nào trong số chúng từ một tải lên một lần nếu bạn không muốn chọn một trang. Đối với các bản thảo và báo cáo có Word sang Markdown, dành cho người lớn tuổi tài liệu giàu văn bản RTF tới Markdown, và cho các trang web đã lưu HTML tới Markdown. Một kệ sách xếp chồng lên nhau đi qua ZIP tới Markdown trong một lần đi.

Làm việc với mã hoặc web trực tiếp? Chuyển đổi một dự án GitLab hoặc một thư mục trên máy của bạn, hoặc điểm Web2Txt tại một URL. các hướng dẫn chuẩn bị tài liệu cho LLM bao gồm hình dạng chung của tất cả điều này.

Repo2Txt được xây dựng và duy trì bởi v12hero, một nhà phát triển độc lập xây dựng các ứng dụng web và ứng dụng gốc ưu tiên quyền riêng tư.