چگونه کتاب‌های آرشیو اینترنت را دانلود کنیم: انتخاب PDF یا EPUB قابل استفاده

برای دانلود یک کتاب آرشیو اینترنت که به‌صورت عمومی به‌عنوان فایل در دسترس است، صفحه آیتم آن را باز کنید، گزینه‌های دانلود را پیدا کنید و یک PDF یا EPUB ارائه‌شده را انتخاب کنید. وقتی به یک فایل مشخص نیاز دارید، از نمایش همه استفاده کنید. سپس قبل از وارد کردن کتاب به جریان مطالعه خود، نسخه و چند صفحه واقعی را بررسی کنید.

مرحله آخر اهمیت دارد. در یک نسخه فرانسوی از کاندید که بررسی کردیم، EPUB از بررسی یکپارچگی ZIP عبور کرد اما سند ناوبری خالی داشت. PDF قطعات خواندنی را نشان می‌داد که در متن استخراج‌شده هر دو فایل آسیب دیده بودند. دانلود موفق تنها آغاز بررسی بود.

این راهنما دانلودهای عمومی معمولی را پوشش می‌دهد، نه صادر کردن امانت‌های محدود. آرشیو اینترنت می‌گوید که هر آیتم یا فایلی قابل دانلود نیست. اگر ابتدا به کمک برای یافتن نسخه زبانی مناسب نیاز دارید، با راهنمای انتخاب کتاب الکترونیکی مالکیت عمومی ما شروع کنید.

فایلی را دانلود کنید که برای همان آیتم دقیق ارائه شده است

1. صفحه آیتم کتاب را باز کنید، نه فقط یک نتیجه جستجو یا یک صفحه جداگانه در خواننده.
2. عنوان، نویسنده، زبان، جلد و جزئیات انتشار را بررسی کنید. وقتی نسخه مهم است، صفحه عنوان اسکن‌شده را باز کنید.
3. گزینه‌های دانلود را پیدا کنید و قالبی را انتخاب کنید که آیتم واقعاً ارائه می‌دهد.
4. برای یک فایل نام‌دار، نمایش همه را انتخاب کنید، سپس آن فایل را انتخاب کنید. ممکن است PDF در مرورگر شما باز شود؛ از کنترل دانلود مرورگر برای ذخیره خود PDF استفاده کنید.
5. نشانی آیتم را همراه با دانلود ذخیره کنید تا بعداً بتوانید منبع را شناسایی کنید.

این‌ها مسیرهای دانلود معمولی در دستورالعمل‌های دانلود فایل آرشیو اینترنت هستند. انتخاب قالبی که شامل چندین فایل است ممکن است یک ZIP تولید کند؛ آن یک بسته است، نه لزوماً یک کتاب واحد. اگر فقط به یک فایل نیاز دارید، یک فایل جداگانه انتخاب کنید.

از شروع با «دانلود همه فایل‌ها» خودداری کنید. فهرست فایل‌های یک آیتم می‌تواند شامل اسکن‌ها، فراداده، خروجی‌های OCR، تصاویر بندانگشتی و چندین قالب خواندنی باشد. مجموعه بزرگی از فایل‌ها کار بیشتری برای بررسی است، نه نشانه‌ای از نسخه خواندنی بهتر.

اگر PDF یا EPUB وجود ندارد

به جای حدس زدن نشانی دانلود، به فهرست واقعی نگاه کنید. برخی آیتم‌ها قالب متفاوتی ارائه می‌دهند؛ برخی دیگر محدودیت دسترسی دارند. پیش‌نمایش قابل مشاهده کتاب ثابت نمی‌کند که PDF یا EPUB معمولی در دسترس است.

اگر آیتم شما را به امانت گرفتن یا خواننده محدود هدایت می‌کند، گزینه‌های دسترسی نشان‌داده‌شده در آنجا را دنبال کنید. این جریان دانلود عمومی یک امانت را به فایل بدون محدودیت تبدیل نمی‌کند. به همین ترتیب، دسترسی به یک دانلود مجوز هر بار آپلود، ترجمه یا بازنشر بعدی را ثابت نمی‌کند؛ اطلاعات حقوق نسخه مشخص را همراه با سابقه منبع خود نگه دارید.

یک نسخه خواندنی و در صورت نیاز یک مرجع اسکن انتخاب کنید

فقط بر اساس پسوند انتخاب نکنید. بر اساس آنچه باید با این نسخه خاص انجام دهید انتخاب کنید.

EPUB می‌تواند خواندن یک کتاب قدیمی را آسان‌تر کند، اما EPUB برگرفته از اسکن لزوماً رونویسی ویرایش‌شده نیست. راهنمای عیب‌یابی OCR در Internet Archive توضیح می‌دهد که شرایط اسکن، تایپوگرافی، زبان و جهت می‌توانند بر تشخیص تأثیر بگذارند و پرونده‌های خواندنی مشتق‌شده می‌توانند آن خطاها را به ارث ببرند.

یک PDF قابل جست‌وجو دو چیز برای بررسی دارد: صفحه قابل مشاهده و متنی که برای انتخاب و جست‌وجو استفاده می‌شود. مستندات تولید PDF در Internet Archive، PDFهای ساخته‌شده از تصاویر و متن برگرفته از OCR را توصیف می‌کند. بنابراین، صفحه‌ای که واضح به نظر می‌رسد ثابت نمی‌کند که کپی کردن واژه‌های آن درست کار خواهد کرد.

برای کتابی برگرفته از اسکن، نگه داشتن یک EPUB برای خواندن و PDF همان مورد برای مراجعه می‌تواند مفید باشد. این کار EPUB را دقیق نمی‌کند؛ بلکه راهی برای بررسی آن به شما می‌دهد. برای بررسی جامع‌تر مبادله قالب، EPUB در برابر PDF را ببینید.

آنچه یک دانلود فرانسوی Candide واقعاً دربرداشت

ما EPUB را از مورد Internet Archive با شناسه candideouloptimi00volt_1 بررسی کردیم که به‌عنوان ویرایش فرانسوی ۱۷۶۱ از Candide فهرست شده است. در ۱۲ سپتامبر ۲۰۲۶، PDF آن را دانلود کردیم، هر دو پرونده را با فراداده جاری پرونده سنجیدیم و صفحات منتخبی از همان مورد را مقایسه کردیم.

EPUB در ۱۱ سپتامبر دانلود شده بود؛ اندازه و چک‌سام‌های منتشرشده آن هنوز با فراداده ۱۲ سپتامبر مطابقت داشت. ساختار بسته آن را بررسی کردیم، چهار صفحه PDF را رندر کردیم و سه نمونه متن بدنه متناظر را مقایسه کردیم. این نه ویرایش کامل، نه آزمون سازگاری خواننده EPUB و نه آزمون ترجمه BookTranslator بود.

تصویر صفحه عنوان، در صفحه ۹ فایل PDF، به‌طور آشکار تاریخ M. DCC. LXI. را نشان می‌دهد. ما از آن تصویر و همچنین رکورد مورد برای شناسایی ویرایش استفاده کردیم. مُهرهای زمانی فایل و تاریخی که یک وب‌سایت موردی را اضافه کرده، جایگزین بررسی خود کتاب نمی‌شوند.

رکورد بازرسی دانلود شامل شناسه‌های فایل، هش‌ها، دامنه و مشاهدات است. یادداشت‌های بازتولید توضیح می‌دهند که چگونه بررسی‌های محدود را بدون تکیه بر نتیجه‌گیری‌های ما تکرار کنید.

مثال ۱: تزئین به کلمات تبدیل شد

در صفحه ۱۱ فایل PDF، آغازگر فصل دارای حاشیه تزئینی بزرگی بالای عنوان است. فایل EPUB متناظر، EPUB/page_11.html، با رشته‌ای از نمادها و حروف نامرتبط پیش از عنوان شروع می‌شود. متن استخراج‌شده PDF نیز حاوی نویز مشابهی است.

صفحه رندرشده مشکل را روشن می‌کند: آن نشانه‌ها به تزئین تعلق دارند، نه به یک جمله مقدماتی. انتخاب PDF تصویری را حفظ می‌کند که به خواننده امکان می‌دهد اشتباه را تشخیص دهد؛ کپی کردن از لایه متنی آن همچنان مشکل تشخیص را به همراه دارد.

هر املای ناآشنایی را در یک کتاب فرانسوی قدیمی به‌عنوان خطا برچسب نزنید. حروف‌چینی و املای تاریخی نیاز به مقایسه با تصویر دارند. تزئینی که به‌صورت رشته‌ای ساختگی رندر شده، مشکلی متفاوت از یک کلمه چاپی ناآشنا اما اصیل است.

مثال ۲: یک قطعه خوانا در هر دو خروجی متنی آسیب دیده بود

در صفحه ۲۶۰ فایل PDF، که در کتاب به‌طور آشکار شماره ۲۵۲ دارد، تصویر قطعه‌ای را نشان می‌دهد که به Turquie و Pangloss اشاره می‌کند. در page_260.html مربوط به EPUB، خطوط اطراف آن نام‌ها با متن خراب جایگزین شده‌اند؛ متن PDF استخراج‌شده با Poppler 26.08.0 نیز در آن قطعه آسیب دیده است.

به همین دلیل توصیه نمی‌کنیم این EPUB را مستقیماً بدون بررسی بیشتر منبع، به یک گردش کار اسناد طولانی وارد کنید. تغییر به PDF و کپی متن آن نیز آسیب مشاهده‌شده را برطرف نمی‌کند. ما نرخ خطا برای کل کتاب را تعیین نکردیم و مشخص نکردیم کدام گردش کار OCR آن را بهتر ترمیم می‌کند.

سومین نمونه بدنه ما صفحه ۱۰۰ فایل PDF بود، که در کتاب به‌طور آشکار شماره ۹۲ دارد. این مقایسه دیگری از میانه کتاب فراهم کرد، نه گواهی بر درستی صفحات باقی‌مانده. بررسی فقط صفحه آغازین، قطعه آسیب‌دیده بعدی را آشکار نمی‌کرد.

ویرایشی دیگر همان قالب‌ها را ارائه نمی‌داد

ما همچنین مورد candideouloptim01voltgoog را بررسی کردیم، که فراداده فهرست آن تاریخ انتشار ۱۷۵۹ را نشان می‌دهد. فهرست فایل ۱۲ سپتامبر آن شامل یک فایل DjVu بود اما هیچ ورودی PDF یا EPUB نداشت. DjVu دانلودشده در ۱۱ سپتامبر ۶٬۵۱۰٬۱۵۰ بایت بود؛ چک‌سام‌های منتشرشده آن هنوز با فراداده به‌روزشده مطابقت داشتند.

این یک بررسی در دسترس بودن فایل بود، نه مرور رندرشده آن ویرایش. ما اثبات نکردیم که متن آن بهتر است، کامل است، یا می‌تواند جایگزین ویرایش ۱۷۶۱ برای یک کار پژوهشی خاص شود.

درس عملی ساده است: دو رکورد برای یک اثر، منوهای دانلود قابل تعویض نیستند. اگر به ویرایش دقیقی نیاز دارید، از خواننده‌ای استفاده کنید که فایل ارائه‌شده آن را می‌پذیرد یا اسکن دیگری از آن ویرایش را پیدا کنید. اگر فقط می‌خواهید اثر را بخوانید، ویرایشی متفاوت و به‌خوبی شناسایی‌شده ممکن است انتخاب آسان‌تری باشد.

فرض نکنید که فایل کوچک‌تر، تاریخ قدیمی‌تر، یا پسوند DjVu دلالت بر OCR بهتر دارد. این‌ها ویژگی‌هایی متفاوت از دقت متن هستند.

پیش از وارد کردن کتاب، یک بررسی پذیرش کوتاه انجام دهید

کاربرگ پذیرش ویرایش و فایل را دانلود کنید. برای هر مورد یک نسخه نگه دارید، به‌ویژه هنگام مقایسه چندین ویرایش از یک عنوان.

این پنج بررسی را به ترتیب انجام دهید:

1. هویت: آیا می‌توانید رکورد مورد را با صفحه عنوان، زبان، جلد و ویرایشی که نیاز دارید مطابقت دهید؟ هرگونه مغایرت را ثبت کنید، نه اینکه بی‌صدا یکی از منابع را انتخاب کنید.
2. دسترسی: آیا این یک دانلود معمولی ارائه‌شده است؟ بیانیه حقوق را حفظ کنید و استفاده خواندنی خود را از هرگونه آپلود یا بازتوزیع مورد نظر جدا کنید.
3. باز کردن: آیا فایل ذخیره‌شده در برنامه‌ای که قصد استفاده از آن را دارید باز می‌شود؟ بررسی ZIP می‌تواند یک آرشیو EPUB را تشخیص دهد، اما نمی‌تواند جایگزین باز کردن آن در خواننده شما شود.
4. پیمایش و پوشش: منوی مطالب، یک بخش میانی و پایان را امتحان کنید. اینها را با فهرست خود اسکن یا ویرایش مقایسه کنید؛ مدخل‌های عطف EPUB را با فصل‌ها یا صفحات فایل PDF را با شماره صفحات چاپی برابر ندانید.
5. متن: یک قطعه کوتاه نزدیک ابتدا، یکی در میانه و یکی نزدیک پایان را مقایسه کنید. یک نام، یک اعراب یا قطعه‌ای که از شکست صفحه عبور می‌کند را بگنجانید. کلمات قابل مشاهده را جستجو کنید و متن کپی‌شده را بررسی کنید، نه فقط تصویر صفحه را.

از نتیجه برای انتخاب اقدام بعدی خود استفاده کنید. فایلی که باز نمی‌شود نشان‌دهنده مشکل دانلود یا قالب است. کتابی که خوب به نظر می‌رسد اما نادرست کپی می‌شود نیاز به تشخیص لایه متن دارد. صفحه اسکن گم‌شده نیاز به منبع دیگری دارد، نه صرفاً تلاش دیگر OCR. منوی پیمایش خالی ممکن است برای مشاوره مختصر قابل تحمل باشد اما برای خواندن مستمر ناخوشایند است.

برای نمونه Candide، ما اسکن را به عنوان مرجع بصری نگه می‌داشتیم و به دنبال متن خواندنی تمیزتر می‌گشتیم یا متن آسیب‌دیده را قبل از استفاده گسترده تعمیر و تأیید می‌کردیم. ما EPUB را فقط به خاطر اینکه بررسی‌های دانلود و ZIP موفق بودند، آماده نمی‌نامیدیم.

فقط در صورتی ترجمه کنید که زبان مانع باقی‌مانده باشد

اگر فایل به زبانی که قبلاً می‌فهمید قابل خواندن است، کار ممکن است تمام شده باشد. یک ویرایش موجود به زبان ترجیحی شما نیز ممکن است مناسب‌تر از ایجاد ترجمه جدید باشد.

اگر فایل قابل استفاده‌ای دارید، حقوق لازم برای استفاده مورد نظرتان را دارید و شکاف زبانی باقی مانده است، مترجم EPUB یا مترجم PDF BookTranslator گام بعدی مرتبطی است. اینها گردش‌کارهای ترجمه فایل هستند، نه ابزارهایی برای باز کردن قرض‌های Internet Archive. DjVu یک قالب آپلود پذیرفته‌شده BookTranslator در کاتالوگ محصول بررسی‌شده برای این راهنما نیست.

برای منبع مبتنی بر تصویر یا متن تشخیص آسیب‌دیده، قبل از ادامه گردش‌کار PDF اسکن‌شده را مرور کنید. حالت OCR BookTranslator محتوای ترجمه‌شده را بازسازی می‌کند نه اینکه چیدمان دقیق صفحه اصلی را حفظ کند؛ ما آن را روی این فایل‌های Candide آزمایش نکرده‌ایم. اسکن اصلی را نگه دارید و در حین بررسی قطعات مهم را مقایسه کنید.

نتیجه مفید «من یک کتاب دانلود کردم» نیست. بلکه «من این ویرایش را شناسایی کرده‌ام، فایل را برای وظیفه خواندنم بررسی کرده‌ام و می‌دانم چه مشکلاتی باقی مانده است» می‌باشد.