EpubCCKan een gescande PDF een herflowbare EPUB worden?
Bijgewerkt:
Een gescande PDF kan een herbruikbare EPUB worden zodra OCR elke pagina-afbeelding omzet in tekst, en die tekst draagt OCR fouten bij slechte of oude scans. EpubCC draait OCR gratis op gescande PDF's tot 10 pagina's, op langere met zijn Pro en Business plannen, en vermeldt die pagina's in het rapport, zodat je weet welke je moet controleren.
Wat een gescande PDF is
Elke pagina is een afbeelding van papier. Sommige scans bevatten een verborgen OCR tekstlaag, waardoor je soms tekst in hen kunt selecteren; de kwaliteit hangt af van de scan en de software waarmee deze is gemaakt.
Wat onze benchmark ons leert over scans
Ons corpus bevat een druk uit 1867 van Alice's Adventures in Wonderland, gescand door de Universiteit van Toronto. Elke engine werd gemeten op zijn bestaande OCR laag, tegen een andere editie van de tekst, dus de scores zijn laag voor iedereen en zijn geen maat voor OCR zelf.
Bewijs van de benchmark
| Motor | 8-gram herinnering |
|---|---|
| EpubCC engine (EPUB output) | 0.845 |
| EpubCC engine (plain text) | 0.829 |
| pdf_oxide · extract_text | 0.740 |
| pdf_oxide · to_plain_text (XY-cut) | 0.694 |
| pdf_oxide · Markdown | 0.692 |
| PDFium · text().all() | 0.756 |
| OpenDataLoader PDF (local mode) | 0.734 |
| pdftotext (Poppler) | 0.755 |
| Calibre · ebook-convert (EPUB output) | 0.726 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.845 |
| Document | EpubCC engine (EPUB output) | EpubCC engine (plain text) | pdf_oxide · extract_text | pdf_oxide · to_plain_text (XY-cut) | pdf_oxide · Markdown | PDFium · text().all() | OpenDataLoader PDF (local mode) | pdftotext (Poppler) | Calibre · ebook-convert (EPUB output) | EpubCC engine (EPUB, same extractor as Calibre) |
|---|---|---|---|---|---|---|---|---|---|---|
| Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive) | 0.579 | 0.544 | 0.632 | 0.639 | 0.524 | 0.651 | 0.625 | 0.156 | — | 0.579 |
Converteer een gescande PDF
Tot 3 hele boeken per dag gratis. Geen account nodig.