EpubCCBenchmark de conversão de PDF para EPUB
Verifique os arquivos. Compare os resultados.
No benchmark de EpubCC de 9 de novembro de 2026, o motor EpubCC alcançou uma média de recuperação de 8 gramas de 0.845 em 19 PDFs com um texto de referência independente, contra 0.726 para Calibre e 0.755 para pdftotext; 33 de seus 33 EPUBs passaram EPUBCheck sem erros.
Atualizado:
Os arquivos, por tipo de documento
| Documento | Duas colunas | Três colunas | Rodapés | Cabeçalhos repetidos | Capítulos | Árabe (RTL) | Japonês | Espanhol | Francês | Alemão | Gráficos | Escaneado | Imagens envolvidas | Relatar notas de rodapé | Regulamentação da UE | Equações | Números de linha |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| Fonte PDF | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) | arquivo (PDF) |
| Resultado EPUB | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | arquivo (EPUB) | — |
| erros / avisos de EPUBCheck | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 | 0 / 0 |
Metodologia
- Mesma entrada. 33 PDFs, todos de domínio público ou sob uma licença livre, processados por motores de extração de texto 10 em November 9, 2026.
- Pontuação automatizada. 20 dos PDFs têm um texto de referência independente do mesmo documento (o HTML do artigo da Wikipedia ou arXiv, o texto do Projeto Gutenberg ou a edição de texto simples do govinfo), nunca a saída de outra ferramenta. A qualidade do texto é medida em relação a isso com métricas de n-gramas.
- EPUB válido. Cada EPUB que nosso motor escreve é verificado com EPUBCheck: 33 de 33 não teve erros.
- Recuperação de 4-grama
- Porcentagem das sequências de 4 palavras do texto de referência encontradas na saída: conteúdo recuperado.
- Precisão de 4-grama
- Porcentagem das sequências de 4 palavras da saída encontradas na referência: conteúdo que pertence.
- Recuperação de 8-grama
- Como recordação de 4-gramas com 8 palavras: diminui quando a ordem de leitura ou a junção de linhas quebram as sentenças (continuidade).
- Merged words / 1,000
- Words glued to their neighbour, per 1,000 words.
- Split words / 1,000
- Words broken in two, per 1,000 words.
- Vazamento de margem
- Porcentagem de cabeçalhos, rodapés e números de páginas repetidos restantes no texto.
- Unmapped glyphs / 1,000
- Caracteres relatados como U+FFFD porque o PDF não tem Unicode para eles. Reportados, nunca ocultos: um número mais alto pode significar que o mecanismo é honesto sobre um problema que outros ignoram silenciosamente.
- Segundos
- Tempo total para o documento.
- MB de pico
- Memória máxima.
Resultados: média por mecanismo
| Motor | Versão | Licença | Recuperação de 4-grama | Precisão de 4-grama | Recuperação de 8-grama | Merged words / 1,000 | Split words / 1,000 | Vazamento de margem | Unmapped glyphs / 1,000 | Segundos | MB de pico | Páginas mal sucedidas |
|---|---|---|---|---|---|---|---|---|---|---|---|---|
| EpubCC engine (EPUB output) Texto medido dentro do EPUB que o usuário baixa; tempo e memória incluem a escrita do EPUB. |
EpubCC engine, commit cb3df10 (2026-11-09) | Ours | 0.917 | 0.758 | 0.845 | 1.459 | 0.789 | 0.059 | 2.400 | 114.5 | 469 | 0 |
| EpubCC engine (plain text) O mesmo mecanismo de layout antes da escrita EPUB. |
EpubCC engine, commit cb3df10 (2026-11-09) | Ours | 0.909 | 0.733 | 0.829 | 1.448 | 1.818 | 0.881 | 2.290 | 15.5 | 115 | 0 |
| pdf_oxide · extract_text | pdf_oxide 0.3.78 | MIT OR Apache-2.0 | 0.853 | 0.685 | 0.740 | 2.936 | 1.464 | 0.829 | 0.683 | 14.4 | 270 | 0 |
| pdf_oxide · to_plain_text (XY-cut) | pdf_oxide 0.3.78 | MIT OR Apache-2.0 | 0.831 | 0.666 | 0.694 | 2.753 | 1.760 | 0.797 | 0.680 | 15.9 | 272 | 0 |
| pdf_oxide · Markdown | pdf_oxide 0.3.78 | MIT OR Apache-2.0 | 0.821 | 0.657 | 0.692 | 4.445 | 3.638 | 0.108 | 0.478 | 21.5 | 272 | 0 |
| PDFium · text().all() | pdfium-render 0.9.5, PDFium chromium/8125 | BSD-3-Clause / Apache-2.0 | 0.846 | 0.674 | 0.756 | 1.094 | 2.879 | 0.963 | 3.803 | 6.5 | 100 | 0 |
| OpenDataLoader PDF (local mode) Referência para heurísticas; descartado como um mecanismo devido ao uso de memória. |
opendataloader-pdf 2.5.17 | Apache-2.0 | 0.818 | 0.664 | 0.734 | 1.474 | 0.373 | 0.044 | 0.439 | 76.3 | 1329 | 0 |
| pdftotext (Poppler) Somente régua: software GPL nunca é enviado em EpubCC. |
Poppler 25.09.1 | GPL | 0.853 | 0.680 | 0.755 | 1.318 | 1.040 | 0.230 | 3.045 | 9.0 | 36 | 0 |
| Calibre · ebook-convert (EPUB output) Configurações padrão, sem ajustes. Texto retirado de seu EPUB com o mesmo extrator que a coluna de controle. Régua de medição apenas: o software GPL nunca é enviado em EpubCC. |
calibre 9.17.0 | GPL-3.0 | 0.852 | 0.683 | 0.726 | 1.045 | 2.629 | 0.694 | 3.746 | 460.2 | 592 | 0 |
| EpubCC engine (EPUB, same extractor as Calibre) Controle: nosso EPUB lido com o extrator usado para Calibre, então ambos os EPUBs são medidos da mesma maneira. |
EpubCC engine, same run | Ours | 0.917 | 0.758 | 0.845 | 1.459 | 0.789 | 0.062 | 2.413 | 109.8 | 515 | 0 |
EpubCC vs Calibre, documento por documento
Ambos os EPUBs foram lidos com o mesmo extrator. Calibre com suas configurações padrão.
- 0.845 vs 0.726 média de recordação de 8-gramas nos mesmos documentos 19
- 33/33 vs 16/32 EPUBs sem erros de EPUBCheck
- 0.059 vs 0.694 porcentagem de cabeçalhos em execução e números de página deixados no texto
- 113 s vs 460 s tempo total de conversão
Calibre é melhor em 3 deles; listamos os primeiros. Calibre não terminou em 15 minutos: Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive).
| Documento | EpubCC | Calibre | Erros de EPUBCheck (EpubCC / Calibre) |
|---|---|---|---|
| The Employment Situation, December 2024 (BLS) | 0.929 | 0.937 | 0 / 0 |
| Wikipedia (Arabic): One Thousand and One Nights | 0.819 | 0.824 | 0 / 4 |
| Mistral 7B paper (arXiv 2310.06825) | 0.774 | 0.779 | 0 / 15 |
| EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex) | 0.988 | 0.987 | 0 / 8 |
| EU AI Act, Regulation 2024/1689 (Greek, EUR-Lex) | 0.987 | 0.986 | 0 / 6 |
| Wikipedia (German): Johann Wolfgang von Goethe | 0.862 | 0.853 | 0 / 0 |
| QLoRA paper (arXiv 2305.14314) | 0.861 | 0.851 | 0 / 39 |
| Wikipedia (English): Alice's Adventures in Wonderland | 0.778 | 0.763 | 0 / 9 |
| Wikipedia (Spanish): Don Quijote de la Mancha | 0.956 | 0.938 | 0 / 0 |
| Calculus textbook typeset in LaTeX (Project Gutenberg #33283) | 0.517 | 0.499 | 0 / 2 |
| arXiv paper 2610.39146 | 0.486 | 0.461 | 0 / 6 |
| Wikipedia (Japanese): The Tale of Genji | 0.964 | 0.939 | 0 / 20 |
| Wikipedia (French): Les Misérables | 0.840 | 0.788 | 0 / 16 |
| Direct Preference Optimization paper (arXiv 2305.18290) | 0.837 | 0.777 | 0 / 37 |
| Instructions for Schedule C (IRS, 2025) | 0.917 | 0.784 | 0 / 0 |
| Supreme Court opinion, Loper Bright v. Raimondo (22-451) | 0.981 | 0.782 | 0 / 0 |
| OLMo paper (arXiv 2402.00838) | 0.892 | 0.640 | 0 / 27 |
| Kids Online Safety Act bill, S. 1409 (line-numbered) | 0.810 | 0.084 | 0 / 0 |
| Federal Register document 2026-22443 | 0.851 | 0.121 | 0 / 0 |
| The 9/11 Commission Report (GPO) | — | — | 0 / 1 |
| The Constitution of the United States (House Document 110-50) | — | — | 0 / 0 |
| Economic Report of the President 2024 | — | — | 0 / 9 |
| GAO report 24-106219 | — | — | 0 / 0 |
| Agriculture in the United Kingdom 2024 (Defra) | — | — | 0 / 0 |
| Income in the United States: 2023 (Census P60-282) | — | — | 0 / 0 |
| IRS Form W-4 (2026) | — | — | 0 / 0 |
| NASA Artemis presentation slides (2023) | — | — | 0 / 0 |
| NASA Spinoff 2016 (magazine) | — | — | 0 / 0 |
| CRS report R45153: Statutory Interpretation | — | — | 0 / 25 |
| NIST SP 800-53 Rev. 5 (security controls) | — | — | 0 / 2419 |
| Code of Federal Regulations, Title 21, Vol. 1 (2024) | — | — | 0 / 0 |
| The Financial Crisis Inquiry Report (FCIC) | — | — | 0 / 0 |
| Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive) | 0.579 | não finalizou | 0 / — |
A necessidade de recorde de 8-gramas precisa de um texto de referência independente; documentos sem um mostram —. Calibre é um software GPL que rodamos apenas para medir; nunca faz parte de EpubCC.
Onde outros motores superam o nosso
Documentos onde a recuperação de 8-gramas de outro motor é mais de 0,02 acima da nossa saída EPUB. Publicamos estes porque são sobre os quais trabalharemos a seguir.
- Wikipedia (English): Alice's Adventures in Wonderland: pdf_oxide · extract_text 0.800 · EpubCC 0.778
- Wikipedia (French): Les Misérables: pdf_oxide · extract_text 0.903 · EpubCC 0.841
- Mistral 7B paper (arXiv 2310.06825): PDFium · text().all() 0.872 · EpubCC 0.777
- QLoRA paper (arXiv 2305.14314): OpenDataLoader PDF (local mode) 0.917 · EpubCC 0.863
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive): PDFium · text().all() 0.651 · EpubCC 0.579
- Direct Preference Optimization paper (arXiv 2305.18290): OpenDataLoader PDF (local mode) 0.860 · EpubCC 0.839
- The Employment Situation, December 2024 (BLS): PDFium · text().all() 0.958 · EpubCC 0.929
Resultados por documento (recall de 8-gramas)
| Documento | Páginas | 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) |
|---|---|---|---|---|---|---|---|---|---|---|---|
| Wikipedia (English): Alice's Adventures in Wonderland | 24 | 0.778 | 0.771 | 0.800 | 0.800 | 0.672 | 0.774 | 0.781 | 0.769 | 0.763 | 0.778 |
| Wikipedia (Spanish): Don Quijote de la Mancha | 50 | 0.956 | 0.942 | 0.963 | 0.963 | 0.857 | 0.945 | 0.954 | 0.944 | 0.938 | 0.956 |
| Wikipedia (French): Les Misérables | 22 | 0.841 | 0.833 | 0.903 | 0.903 | 0.751 | 0.884 | 0.891 | 0.846 | 0.788 | 0.840 |
| Wikipedia (German): Johann Wolfgang von Goethe | 86 | 0.862 | 0.856 | 0.877 | 0.877 | 0.758 | 0.854 | 0.862 | 0.853 | 0.853 | 0.862 |
| Wikipedia (Arabic): One Thousand and One Nights | 17 | 0.819 | 0.812 | 0.315 | 0.315 | 0.273 | 0.001 | 0.000 | 0.659 | 0.824 | 0.819 |
| Wikipedia (Japanese): The Tale of Genji | 67 | 0.964 | 0.963 | 0.970 | 0.970 | 0.797 | 0.952 | 0.942 | 0.965 | 0.939 | 0.964 |
| OLMo paper (arXiv 2402.00838) | 21 | 0.893 | 0.891 | 0.854 | 0.273 | 0.719 | 0.761 | 0.820 | 0.781 | 0.640 | 0.892 |
| Mistral 7B paper (arXiv 2310.06825) | 9 | 0.777 | 0.774 | 0.767 | 0.778 | 0.800 | 0.872 | 0.859 | 0.821 | 0.779 | 0.774 |
| QLoRA paper (arXiv 2305.14314) | 26 | 0.863 | 0.860 | 0.817 | 0.852 | 0.868 | 0.908 | 0.917 | 0.770 | 0.851 | 0.861 |
| Federal Register document 2026-22443 | 45 | 0.857 | 0.853 | 0.334 | 0.035 | 0.339 | 0.859 | 0.801 | 0.835 | 0.121 | 0.851 |
| The 9/11 Commission Report (GPO) | 585 | — | — | — | — | — | — | — | — | — | — |
| The Constitution of the United States (House Document 110-50) | 85 | — | — | — | — | — | — | — | — | — | — |
| Economic Report of the President 2024 | 487 | — | — | — | — | — | — | — | — | — | — |
| Calculus textbook typeset in LaTeX (Project Gutenberg #33283) | 292 | 0.517 | 0.498 | 0.479 | 0.496 | 0.481 | 0.494 | 0.533 | 0.511 | 0.499 | 0.517 |
| Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive) | 212 | 0.579 | 0.544 | 0.632 | 0.639 | 0.524 | 0.651 | 0.625 | 0.156 | — | 0.579 |
| GAO report 24-106219 | 58 | — | — | — | — | — | — | — | — | — | — |
| Direct Preference Optimization paper (arXiv 2305.18290) | 27 | 0.839 | 0.833 | 0.780 | 0.777 | 0.807 | 0.838 | 0.860 | 0.827 | 0.777 | 0.837 |
| EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex) | 144 | 0.988 | 0.983 | 0.988 | 0.988 | 0.988 | 0.989 | 0.996 | 0.986 | 0.987 | 0.988 |
| Kids Online Safety Act bill, S. 1409 (line-numbered) | 50 | 0.810 | 0.608 | 0.184 | 0.089 | 0.511 | 0.088 | 0.088 | 0.101 | 0.084 | 0.810 |
| Agriculture in the United Kingdom 2024 (Defra) | 194 | — | — | — | — | — | — | — | — | — | — |
| Income in the United States: 2023 (Census P60-282) | 59 | — | — | — | — | — | — | — | — | — | — |
| The Employment Situation, December 2024 (BLS) | 42 | 0.929 | 0.939 | 0.882 | 0.882 | 0.521 | 0.958 | 0.358 | 0.348 | 0.937 | 0.929 |
| IRS Form W-4 (2026) | 5 | — | — | — | — | — | — | — | — | — | — |
| Instructions for Schedule C (IRS, 2025) | 19 | 0.917 | 0.911 | 0.933 | 0.933 | 0.850 | 0.933 | 0.825 | 0.912 | 0.784 | 0.917 |
| NASA Artemis presentation slides (2023) | 33 | — | — | — | — | — | — | — | — | — | — |
| NASA Spinoff 2016 (magazine) | 242 | — | — | — | — | — | — | — | — | — | — |
| Supreme Court opinion, Loper Bright v. Raimondo (22-451) | 114 | 0.977 | 0.966 | 0.779 | 0.779 | 0.717 | 0.779 | 0.976 | 0.966 | 0.782 | 0.981 |
| CRS report R45153: Statutory Interpretation | 65 | — | — | — | — | — | — | — | — | — | — |
| arXiv paper 2610.39146 | 14 | 0.489 | 0.476 | 0.449 | 0.484 | 0.450 | 0.489 | 0.489 | 0.474 | 0.461 | 0.486 |
| EU AI Act, Regulation 2024/1689 (Greek, EUR-Lex) | 144 | 0.987 | 0.981 | 0.987 | 0.987 | 0.986 | 0.987 | 0.996 | 0.984 | 0.986 | 0.987 |
| NIST SP 800-53 Rev. 5 (security controls) | 492 | — | — | — | — | — | — | — | — | — | — |
| Code of Federal Regulations, Title 21, Vol. 1 (2024) | 643 | — | — | — | — | — | — | — | — | — | — |
| The Financial Crisis Inquiry Report (FCIC) | 663 | — | — | — | — | — | — | — | — | — | — |
Documentos e licenças
| Documento | Licença | Características | Texto de referência |
|---|---|---|---|
| Wikipedia (English): Alice's Adventures in Wonderland | CC BY-SA 4.0 (text); images under their own licences | texto PDF, uma coluna, imagens, Inglês | sim |
| Wikipedia (Spanish): Don Quijote de la Mancha | CC BY-SA 4.0 (text); images under their own licences | texto PDF, uma coluna, imagens, Espanhol | sim |
| Wikipedia (French): Les Misérables | CC BY-SA 4.0 (text); images under their own licences | texto PDF, uma coluna, Francês | sim |
| Wikipedia (German): Johann Wolfgang von Goethe | CC BY-SA 4.0 (text); images under their own licences | texto PDF, uma coluna, Alemão | sim |
| Wikipedia (Arabic): One Thousand and One Nights | CC BY-SA 4.0 (text); images under their own licences | texto PDF, uma coluna, Árabe, da direita para a esquerda | sim |
| Wikipedia (Japanese): The Tale of Genji | CC BY-SA 4.0 (text); images under their own licences | texto PDF, uma coluna, Japonês, CJK | sim |
| OLMo paper (arXiv 2402.00838) | CC BY 4.0 | texto PDF, duas colunas, tabelas, notas de rodapé, figuras, artigo acadêmico | sim |
| Mistral 7B paper (arXiv 2310.06825) | CC BY 4.0 | texto PDF, uma coluna, figuras, artigo acadêmico, curto | sim |
| QLoRA paper (arXiv 2305.14314) | CC BY 4.0 | texto PDF, uma coluna, tabelas, notas de rodapé, artigo acadêmico, longo | sim |
| Federal Register document 2026-22443 | Public domain (work of the U.S. Government) | texto PDF, três colunas, cabeçalhos repetidos, notas de rodapé | sim |
| The 9/11 Commission Report (GPO) | Public domain (work of the U.S. Government) | texto PDF, livro, capítulos, cabeçalhos repetidos, notas finais, longo, teste de carga | não |
| The Constitution of the United States (House Document 110-50) | Public domain (work of the U.S. Government) | texto PDF, livro, cabeçalhos repetidos, tabela de conteúdos | não |
| Economic Report of the President 2024 | Public domain (work of the U.S. Government) | texto PDF, livro, tabelas, gráficos, caixas, notas de rodapé, longo | não |
| Calculus textbook typeset in LaTeX (Project Gutenberg #33283) | Public domain in the U.S. (Project Gutenberg; its trademark only under its licence) | texto PDF, livro, capítulos, cabeçalhos repetidos, notas de rodapé, fórmulas | sim |
| Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive) | Public domain (1867; University of Toronto scan on the Internet Archive) | digitalizado, Camada OCR, livro, capítulos, ilustrações | sim |
| GAO report 24-106219 | Public domain (U.S. Government work; GAO notes it may contain third-party copyrighted material) | texto PDF, uma coluna, notas de rodapé, cabeçalhos repetidos, figuras, tabelas, relatório | não |
| Direct Preference Optimization paper (arXiv 2305.18290) | CC BY 4.0 | texto PDF, uma coluna, fórmulas, notas de rodapé, artigo acadêmico | sim |
| EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex) | Reuse authorised, including commercial (Decision 2011/833/EU; EUR-Lex legal notice), © European Union | texto PDF, uma coluna, cabeçalhos repetidos, capítulos, Espanhol, texto legal | sim |
| Kids Online Safety Act bill, S. 1409 (line-numbered) | Public domain (work of the U.S. Government) | texto PDF, uma coluna, números de linha, texto legal | sim |
| Agriculture in the United Kingdom 2024 (Defra) | Open Government Licence v3.0 (© Crown copyright) | texto PDF, tabelas, legendas, relatório, Inglês, difícil | não |
| Income in the United States: 2023 (Census P60-282) | Public domain (U.S. Government work, 17 U.S.C. §105) | texto PDF, tabelas, figuras, tabela de conteúdos, relatório, difícil | não |
| The Employment Situation, December 2024 (BLS) | Public domain (U.S. Government work, 17 U.S.C. §105) | texto PDF, tabelas, cabeçalhos multi-nível, difícil | sim |
| IRS Form W-4 (2026) | Public domain (U.S. Government work, 17 U.S.C. §105) | texto PDF, formulário, campos do formulário, difícil | não |
| Instructions for Schedule C (IRS, 2025) | Public domain (U.S. Government work, 17 U.S.C. §105) | texto PDF, duas colunas, Tabela de conteúdo com 3 níveis, tabelas, difícil | sim |
| NASA Artemis presentation slides (2023) | Public domain (NASA; NTRS: public use permitted) | texto PDF, slides, imagens, difícil | não |
| NASA Spinoff 2016 (magazine) | Text in the public domain (NASA); some images credited to third parties | texto PDF, revista, três colunas, imagens, difícil | não |
| Supreme Court opinion, Loper Bright v. Raimondo (22-451) | Public domain (U.S. Government work, 17 U.S.C. §105) | texto PDF, notas de rodapé, texto legal, cabeçalhos repetidos, difícil | sim |
| CRS report R45153: Statutory Interpretation | Public domain (U.S. Government work, per the report itself) | texto PDF, notas de rodapé, texto legal, difícil | não |
| arXiv paper 2610.39146 | CC BY 4.0 | texto PDF, fórmulas, artigo acadêmico, difícil | sim |
| EU AI Act, Regulation 2024/1689 (Greek, EUR-Lex) | Reuse authorised, including commercial (Decision 2011/833/EU; EUR-Lex legal notice), © European Union | texto PDF, Grego, vários scripts, texto legal, difícil | sim |
| NIST SP 800-53 Rev. 5 (security controls) | No copyright in the U.S. (NIST) | texto PDF, Tabela de conteúdo com 3 níveis, longo, tabelas, difícil | não |
| Code of Federal Regulations, Title 21, Vol. 1 (2024) | Public domain (U.S. Government work, 17 U.S.C. §105) | texto PDF, duas colunas, longo, texto legal, difícil | não |
| The Financial Crisis Inquiry Report (FCIC) | Public domain (U.S. Government work, 17 U.S.C. §105) | texto PDF, livro, longo, ToUnicode ausente, difícil | não |
Limites desses números
- A métrica de vazamento de margem é confiável apenas para mecanismos que dividem linhas como pdftotext -layout; não é confiável para OpenDataLoader, pdf_oxide Markdown ou pdftotext sem -layout.
- As referências da Wikipedia deixam de fora tabelas e infoboxes, então a precisão é baixa para todo motor da mesma forma nesses documentos.
- A digitalização de Alice de 1867 é comparada com uma edição diferente (Project Gutenberg, 1865): é boa para recall, não para precisão exata. É lida através da própria camada PDF do OCR: a EpubCC do OCR só roda em páginas escaneadas que não têm camada de texto.
- As médias de qualidade do texto cobrem apenas os documentos com um texto de referência independente (HTML, texto Gutenberg ou texto simples govinfo do mesmo documento, nunca a saída de outra ferramenta) que cada motor finalizou. O restante relata tempo, memória, páginas falhadas, glifos não mapeados e vazamento de margem.
- Essas métricas medem o texto extraído. Elas não medem a detecção de capítulos, a vinculação de notas de rodapé ou como o EPUB aparece em um leitor; a validade de EPUBCheck é relatada separadamente para nossa saída EPUB.
- Calibre é executado com suas configurações padrão (ebook-convert, sem ajustes). Seu texto é lido de seu EPUB com um extrator neutro; nosso EPUB lido com o mesmo extrator é a coluna de controle, dentro 0.006 do próprio texto do motor em cada documento. Na digitalização de 1867 Calibre não terminou dentro de 15 minutos.
- Documentos de teste sintéticos (feitos por nós ou para nós testarmos o motor) são deixados de fora dos resultados publicados.
Dados
- Licença: CC BY 4.0 (dados de resultado)
- Resultados brutos (JSON)
- Lista de corpus (JSON)