İçeriğe atla
Performans testi

PDF'den EPUB'ye dönüşüm benchmark'ı

Dosyaları kontrol et. Sonuçları karşılaştır.

EpubCC’nin 9 Kasım 2026 tarihli karşılaştırmasında, EpubCC motoru 19 PDF ile bağımsız bir referans metni üzerinden ortalama 8-gram hatırlama başarısına 0.845 ulaştı, 0.726 için Calibre ve 0.755 için pdftotext karşısında; 33 EPUB'sunun 33'ü EPUBCheck'yi hatasız geçti.

Güncellendi:

Dosya türüne göre dosyalar

Yöntem

  1. Aynı girdi. 33 PDF'ler, her biri kamu malı veya ücretsiz lisans altında, 10 metin çıkarım motorları üzerinden November 9, 2026 çalıştırılıyor.
  2. Otomatik puanlama. 20 PDF'lerin bağımsız bir referans metni var (belgenin HTML'si, Wikipedia veya arXiv makalesi, Project Gutenberg metni veya govinfo'nun düz metin edisyonu), asla başka bir aracın çıktısı değil. Metin kalitesi bununla n-gram ölçütleriyle değerlendiriliyor.
  3. Geçerli EPUB. Motorumuzun yazdığı her EPUB, EPUBCheck ile kontrol edilir: 33, 33'de hata yoktu.
4-gram geri çağırma
Referans metninin çıktıda bulunan 4 kelimelik dizelerin yüzdesi: kurtarılan içerik.
4-gram doğruluğu
Referansta bulunan çıktıdaki 4 kelimelik dizelerin yüzdesi: ait içerik.
8-gram geri çağırma
8 kelime ile 4-gram hatırlama: okuma sırası veya satır birleştirmeleri cümleleri bozduğunda düşer (devamlılık).
Birleşik kelimeler / 1,000
Komşusuna yapışan kelimeler, 1,000 kelime başına.
Kelime Ayır / 1,000
İkiye bölünen kelimeler, 1,000 kelime başına.
Kenarlık sızıntısı
Metinde kalan tekrarlanan üst başlıklar, alt başlıklar ve sayfa numaralarının yüzdesi.
Eşleşmemiş glifler / 1,000
U+FFFD olarak bildirilen karakterler, çünkü PDF onların için Unicode yoktur. Bildirilir, asla gizlenmez: daha yüksek bir numara motorun diğerlerinin sessizce bıraktığı bir sorun hakkında dürüst olduğunu gösterebilir.
Saniye
Belge için geçen zaman.
Zirve MB
Zirve bellek.

Sonuçlar: motor başına ortalama

Metin ölçüleri, 20 belgelerinin referanslarıyla ortalamadır; kenar sızıntısı ve belgelere uygulanmayan harfler o belgeler üzerinde. Saniyeler, tüm 33 belgelerinin toplamıdır; maksimum MB, en yüksek tek değerdir.
MotorSürümLisans4-gram geri çağırma4-gram doğruluğu8-gram geri çağırmaBirleşik kelimeler / 1,000Kelime Ayır / 1,000Kenarlık sızıntısıEşleşmemiş glifler / 1,000SaniyeZirve MBBaşarısız sayfalar
EpubCC engine (EPUB output)
Kullanıcının indirdiği EPUB içinde ölçülen metin; zaman ve bellek, EPUB'yi yazmayı içerir.
EpubCC engine, commit cb3df10 (2026-11-09)Ours 0.9170.7580.8451.4590.7890.0592.400 114.54690
EpubCC engine (plain text)
Aynı düzen motoru EPUB yazmadan önce.
EpubCC engine, commit cb3df10 (2026-11-09)Ours 0.9090.7330.8291.4481.8180.8812.290 15.51150
pdf_oxide · extract_text pdf_oxide 0.3.78MIT OR Apache-2.0 0.8530.6850.7402.9361.4640.8290.683 14.42700
pdf_oxide · to_plain_text (XY-cut) pdf_oxide 0.3.78MIT OR Apache-2.0 0.8310.6660.6942.7531.7600.7970.680 15.92720
pdf_oxide · Markdown pdf_oxide 0.3.78MIT OR Apache-2.0 0.8210.6570.6924.4453.6380.1080.478 21.52720
PDFium · text().all() pdfium-render 0.9.5, PDFium chromium/8125BSD-3-Clause / Apache-2.0 0.8460.6740.7561.0942.8790.9633.803 6.51000
OpenDataLoader PDF (local mode)
Heuristikler için referans; bellek kullanımından dolayı bir motor olarak dışlanmıştır.
opendataloader-pdf 2.5.17Apache-2.0 0.8180.6640.7341.4740.3730.0440.439 76.313290
pdftotext (Poppler)
Sadece ölçme aracı: GPL yazılımı asla EpubCC içerisinde gönderilmez.
Poppler 25.09.1GPL 0.8530.6800.7551.3181.0400.2303.045 9.0360
Calibre · ebook-convert (EPUB output)
Varsayılan ayarlar, ayarlama yok. Kontrol sütunu ile aynı çıkarıcı kullanılarak EPUB'den alınan metin. Ölçüm aracı olarak: GPL yazılımı asla EpubCC içinde gönderilmez.
calibre 9.17.0GPL-3.0 0.8520.6830.7261.0452.6290.6943.746 460.25920
EpubCC engine (EPUB, same extractor as Calibre)
Kontrol: EPUB'imiz, Calibre için kullanılan çıkartıcı ile okunur, böylece her iki EPUB da aynı şekilde ölçülür.
EpubCC engine, same runOurs 0.9170.7580.8451.4590.7890.0622.413 109.85150

EpubCC ile Calibre, belge belge incelemesi

Her iki EPUB da aynı çıkartıcı ile okunur. Calibre varsayılan ayarlarıyla.

  • 0.845 vs 0.726 aynı 19 belgelerinde 8-gram hatırlama ortalaması
  • 33/33 vs 16/32 Hiç EPUBCheck hatası olmayan EPUB'lar
  • 0.059 vs 0.694 metinde kalan akıcı başlıklar ve sayfa numaralarının oranı
  • 113 s vs 460 s toplam dönüştürme süresi

Calibre, bunların 3'inde daha iyidir; bunları önce listeliyoruz. Calibre, 15 dakikada tamamlanmadı: Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive).

BelgeEpubCCCalibreEPUBCheck hataları (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 tamamlanmadı 0 / —

8-gram hatırlama, bağımsız bir referans metnine ihtiyaç duyar; biri olmayan belgeler — gösterir. Calibre, yalnızca ölçüm yapmak için çalıştırdığımız GPL yazılımıdır; bu asla EpubCC'in bir parçası değildir.

Diğer motorların bizimkini geride bıraktığı yerler

Başka bir motorun 8-gram hatırlama oranının bizim EPUB çıktımızın %0.02 üzerinde olduğu belgeler. Bunları çünkü üzerinde çalıştığımız belgeler.

  • 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

Belge başına sonuçlar (8-gram hatırlama)

Her satır için en iyi değeri kalın olarak gösterir. — o belge için referans metin yoktur.
BelgeSayfalarEpubCC engine (EPUB output)EpubCC engine (plain text)pdf_oxide · extract_textpdf_oxide · to_plain_text (XY-cut)pdf_oxide · MarkdownPDFium · 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 Wonderland240.7780.7710.8000.8000.6720.7740.7810.7690.7630.778
Wikipedia (Spanish): Don Quijote de la Mancha500.9560.9420.9630.9630.8570.9450.9540.9440.9380.956
Wikipedia (French): Les Misérables220.8410.8330.9030.9030.7510.8840.8910.8460.7880.840
Wikipedia (German): Johann Wolfgang von Goethe860.8620.8560.8770.8770.7580.8540.8620.8530.8530.862
Wikipedia (Arabic): One Thousand and One Nights170.8190.8120.3150.3150.2730.0010.0000.6590.8240.819
Wikipedia (Japanese): The Tale of Genji670.9640.9630.9700.9700.7970.9520.9420.9650.9390.964
OLMo paper (arXiv 2402.00838)210.8930.8910.8540.2730.7190.7610.8200.7810.6400.892
Mistral 7B paper (arXiv 2310.06825)90.7770.7740.7670.7780.8000.8720.8590.8210.7790.774
QLoRA paper (arXiv 2305.14314)260.8630.8600.8170.8520.8680.9080.9170.7700.8510.861
Federal Register document 2026-22443450.8570.8530.3340.0350.3390.8590.8010.8350.1210.851
The 9/11 Commission Report (GPO)585——————————
The Constitution of the United States (House Document 110-50)85——————————
Economic Report of the President 2024487——————————
Calculus textbook typeset in LaTeX (Project Gutenberg #33283)2920.5170.4980.4790.4960.4810.4940.5330.5110.4990.517
Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)2120.5790.5440.6320.6390.5240.6510.6250.156—0.579
GAO report 24-10621958——————————
Direct Preference Optimization paper (arXiv 2305.18290)270.8390.8330.7800.7770.8070.8380.8600.8270.7770.837
EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex)1440.9880.9830.9880.9880.9880.9890.9960.9860.9870.988
Kids Online Safety Act bill, S. 1409 (line-numbered)500.8100.6080.1840.0890.5110.0880.0880.1010.0840.810
Agriculture in the United Kingdom 2024 (Defra)194——————————
Income in the United States: 2023 (Census P60-282)59——————————
The Employment Situation, December 2024 (BLS)420.9290.9390.8820.8820.5210.9580.3580.3480.9370.929
IRS Form W-4 (2026)5——————————
Instructions for Schedule C (IRS, 2025)190.9170.9110.9330.9330.8500.9330.8250.9120.7840.917
NASA Artemis presentation slides (2023)33——————————
NASA Spinoff 2016 (magazine)242——————————
Supreme Court opinion, Loper Bright v. Raimondo (22-451)1140.9770.9660.7790.7790.7170.7790.9760.9660.7820.981
CRS report R45153: Statutory Interpretation65——————————
arXiv paper 2610.39146140.4890.4760.4490.4840.4500.4890.4890.4740.4610.486
EU AI Act, Regulation 2024/1689 (Greek, EUR-Lex)1440.9870.9810.9870.9870.9860.9870.9960.9840.9860.987
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——————————

Belgeler ve lisanslar

BelgeLisansÖzelliklerReferans metin
Wikipedia (English): Alice's Adventures in WonderlandCC BY-SA 4.0 (text); images under their own licencesmetin PDF, tek sütun, görüntüler, İngilizceevet
Wikipedia (Spanish): Don Quijote de la ManchaCC BY-SA 4.0 (text); images under their own licencesmetin PDF, tek sütun, görüntüler, İspanyolcaevet
Wikipedia (French): Les MisérablesCC BY-SA 4.0 (text); images under their own licencesmetin PDF, tek sütun, Fransızcaevet
Wikipedia (German): Johann Wolfgang von GoetheCC BY-SA 4.0 (text); images under their own licencesmetin PDF, tek sütun, Almancaevet
Wikipedia (Arabic): One Thousand and One NightsCC BY-SA 4.0 (text); images under their own licencesmetin PDF, tek sütun, Arapça, sağdan solaevet
Wikipedia (Japanese): The Tale of GenjiCC BY-SA 4.0 (text); images under their own licencesmetin PDF, tek sütun, Japonca, CJKevet
OLMo paper (arXiv 2402.00838)CC BY 4.0metin PDF, iki sütun, tablolar, dipnotlar, şekiller, akademik makaleevet
Mistral 7B paper (arXiv 2310.06825)CC BY 4.0metin PDF, tek sütun, şekiller, akademik makale, kısaevet
QLoRA paper (arXiv 2305.14314)CC BY 4.0metin PDF, tek sütun, tablolar, dipnotlar, akademik makale, uzunevet
Federal Register document 2026-22443Public domain (work of the U.S. Government)metin PDF, üç sütun, tekrarlayan başlıklar, dipnotlarevet
The 9/11 Commission Report (GPO)Public domain (work of the U.S. Government)metin PDF, kitap, bölümler, tekrarlayan başlıklar, son notlar, uzun, yükleme testihayır
The Constitution of the United States (House Document 110-50)Public domain (work of the U.S. Government)metin PDF, kitap, tekrarlayan başlıklar, içindekilerhayır
Economic Report of the President 2024Public domain (work of the U.S. Government)metin PDF, kitap, tablolar, grafikler, kutular, dipnotlar, uzunhayır
Calculus textbook typeset in LaTeX (Project Gutenberg #33283)Public domain in the U.S. (Project Gutenberg; its trademark only under its licence)metin PDF, kitap, bölümler, tekrarlayan başlıklar, dipnotlar, formüllerevet
Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)Public domain (1867; University of Toronto scan on the Internet Archive)taranmış, OCR katmanı, kitap, bölümler, illüstrasyonlarevet
GAO report 24-106219Public domain (U.S. Government work; GAO notes it may contain third-party copyrighted material)metin PDF, tek sütun, dipnotlar, tekrarlayan başlıklar, şekiller, tablolar, raporhayır
Direct Preference Optimization paper (arXiv 2305.18290)CC BY 4.0metin PDF, tek sütun, formüller, dipnotlar, akademik makaleevet
EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex)Reuse authorised, including commercial (Decision 2011/833/EU; EUR-Lex legal notice), © European Unionmetin PDF, tek sütun, tekrarlayan başlıklar, bölümler, İspanyolca, hukuki metinevet
Kids Online Safety Act bill, S. 1409 (line-numbered)Public domain (work of the U.S. Government)metin PDF, tek sütun, satır numaraları, hukuki metinevet
Agriculture in the United Kingdom 2024 (Defra)Open Government Licence v3.0 (© Crown copyright)metin PDF, tablolar, alttitler, rapor, İngilizce, serthayır
Income in the United States: 2023 (Census P60-282)Public domain (U.S. Government work, 17 U.S.C. §105)metin PDF, tablolar, şekiller, içindekiler, rapor, serthayır
The Employment Situation, December 2024 (BLS)Public domain (U.S. Government work, 17 U.S.C. §105)metin PDF, tablolar, çok seviyeli başlıklar, sertevet
IRS Form W-4 (2026)Public domain (U.S. Government work, 17 U.S.C. §105)metin PDF, form, form alanları, serthayır
Instructions for Schedule C (IRS, 2025)Public domain (U.S. Government work, 17 U.S.C. §105)metin PDF, iki sütun, 3 seviyeli içindekiler tablosu, tablolar, sertevet
NASA Artemis presentation slides (2023)Public domain (NASA; NTRS: public use permitted)metin PDF, slaytlar, görüntüler, serthayır
NASA Spinoff 2016 (magazine)Text in the public domain (NASA); some images credited to third partiesmetin PDF, dergi, üç sütun, görüntüler, serthayır
Supreme Court opinion, Loper Bright v. Raimondo (22-451)Public domain (U.S. Government work, 17 U.S.C. §105)metin PDF, dipnotlar, hukuki metin, tekrarlayan başlıklar, sertevet
CRS report R45153: Statutory InterpretationPublic domain (U.S. Government work, per the report itself)metin PDF, dipnotlar, hukuki metin, serthayır
arXiv paper 2610.39146CC BY 4.0metin PDF, formüller, akademik makale, sertevet
EU AI Act, Regulation 2024/1689 (Greek, EUR-Lex)Reuse authorised, including commercial (Decision 2011/833/EU; EUR-Lex legal notice), © European Unionmetin PDF, Yunanca, birden fazla yazı tipi, hukuki metin, sertevet
NIST SP 800-53 Rev. 5 (security controls)No copyright in the U.S. (NIST)metin PDF, 3 seviyeli içindekiler tablosu, uzun, tablolar, serthayır
Code of Federal Regulations, Title 21, Vol. 1 (2024)Public domain (U.S. Government work, 17 U.S.C. §105)metin PDF, iki sütun, uzun, hukuki metin, serthayır
The Financial Crisis Inquiry Report (FCIC)Public domain (U.S. Government work, 17 U.S.C. §105)metin PDF, kitap, uzun, ToUnicode eksik, serthayır

Bu sayıların sınırları

  • Margin-leak metriği yalnızca pdftotext -layout gibi satırları bölen motorlar için güvenilirdir; OpenDataLoader, pdf_oxide Markdown veya pdftotext için -layout olmadan güvenilir değildir.
  • Wikipedia referansları tabloları ve bilgi kutularını atlıyor, bu nedenle bu belgelerde her motor için hassasiyet düşüktür.
  • 1867 Alice taraması, farklı bir baskı ile karşılaştırılıyor (Project Gutenberg, 1865): hatırlama için iyidir, kesin doğruluk için değil. PDF'nın kendi OCR katmanından okunur: EpubCC'nin OCR'ü yalnızca metin katmanı olmayan taranmış sayfalarda çalışır.
  • Metin kalite ortalamaları, her motorun bitirdiği bağımsız bir referans metni (HTML, Gutenberg metni veya aynı belgenin govinfo düz metni, asla başka bir aracın çıktısı) olan belgelerle sınırlıdır. Diğerleri süre, bellek, başarısız sayfalar, haritalanmayan glifler ve kenar boşluğu sızıntısını rapor eder.
  • Bu metrikler çıkarılan metni ölçer. Bölüm tespiti, dipnot bağlantısı veya EPUB'nin bir okuyucuda nasıl göründüğünü ölçmez; EPUBCheck geçerliliği, EPUB çıktımız için ayrı olarak rapor edilir.
  • Calibre varsayılan ayarlarıyla çalışır (ebook-convert, ayar yapılmadan). Metni, nötr bir çıkarıcı ile EPUB'sından okunur; aynı çıkarıcı ile okunan bizim EPUB kontrol sütunudur ve motorumuzun her belgede kendi metninin 0.006 içindedir. 1867 taramasında Calibre 15 dakikada tamamlanmadı.
  • Sentetik test belgeleri (bizim tarafımızdan veya motoru test etmemiz için yapılan) yayınlanan sonuçlardan hariç tutulmuştur.

Veri

Paylaş WhatsApp Facebook X Bluesky LinkedIn Reddit Telegram E-posta

PDF ile EPUB araçları

Her araç aynı motoru kullanır. Günde 3 kitap ücretsizdir.

Tüm araçları gör