EpubCCHvad sker der med diagrammer, når en PDF bliver en EPUB
Opdateret:
Diagrammer tegnet som vektorgrafik opbevares ikke: EpubCC motoren opbevarer rasterbilleder, men ikke vektortegninger, så et linjediagram mister sine linjer, og akseetiketter bliver til løse afsnit. I den 487-sider lange Økonomiske Rapport fra Præsidenten 2024 konverterer teksten omkring diagrammerne godt; selve diagrammerne gør ikke.
Original og resultat
Linje- og søjlediagrammer tegnet som vektorgrafik, med aksebetegnelser og legender som rigtig tekst, plus statistiske tabeller og kasser.
Download kilde PDF Download prøve EPUB
Hvorfor går diagrammer tabt?
Et PDF diagram er normalt ikke et billede: det er et sæt af tegneinstruktioner (linjer, fyld) plus virkelig tekst til etiketterne. Motoren læser tekst og rasterbilleder. Den tegner ikke vektorgrafik i et billede endnu, så hvad der er tilbage, er teksten fra diagrammet uden diagrammet.
For en bog, hvor diagrammer betyder noget, er PDF stadig det bedre format for disse sider. Vi vil hellere sige det, end at sende en EPUB med tomme figurer og kalde det komplet.
Hvad konverteres godt
Den kørende tekst: afsnit sammensat på tværs af sider, kørende hoveder fjernet (margin læk 0.000 i benchmarket imod 1.000 for PDFium og pdf_oxide), fodnoter linket, og 26 kapitler fra PDF skitsen.
Kilde og licens
- Dokument
- Economic Report of the President 2024
- Licens
- Public domain (work of the U.S. Government)
- Sider
- 487
- Egenskaber
- tekst PDF, bog, tabeller, diagrammer, bokse, fodnoter, lang
Economic Report of the President, March 2024, together with the Annual Report of the Council of Economic Advisers, U.S. Government Publishing Office (govinfo.gov). A work of the U.S. Government, in the public domain.
Brugte indstillinger
- Motor: EpubCC motor ved commit 3b74b26, den binære der genererede billederne og prøven (2026-11-04).
- Sider: hele dokumentet for figurerne; siderne 33-34 for billederne og prøven EPUB.
- Benchmark tal: den offentliggjorte kørsel fra 2026-11-03 (engine commit c953279).
- Muligheder: ingen. Motoren har endnu ingen per-dokument indstillinger; de samme standardindstillinger gælder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vores EPUB: 0 fejl, 0 advarsler.
EPUBCheck 5.4.0 på det downloadable prøver: 0 fejl, 0 advarsler (kontrolleret 2026-11-04).
- Sider
- 487
- Tid
- 4.9 s
- Maksimal hukommelse
- 179 MB
- Kapitler
- 26, fra PDF-oversigten
- Rasterbilleder bevaret
- 69
- Vektorkort bevaret
- 0
Kvalitetsadvarsler motoren viste:
- 9 sider ser ud til at være scannede (et fuldsidebillede og ingen valgbart tekst) og udelades: 3, 5, 7, 11, 13, 15, 391, 407 og 487.
- Nogle tegn kan ikke genvindes fra PDF (skrifttyper uden en Unicode-tabel) og vises som «�»: siderne 413 til 487.
| Motor | Unmapped glyphs / 1,000 |
|---|---|
| EpubCC engine (EPUB output) | 77.467 |
| EpubCC engine (plain text) | 73.832 |
| pdf_oxide · extract_text | 7.527 |
| pdf_oxide · to_plain_text (XY-cut) | 7.527 |
| pdf_oxide · Markdown | 4.068 |
| PDFium · text().all() | 78.261 |
| OpenDataLoader PDF (local mode) | 0.000 |
| pdftotext (Poppler) | 83.436 |
| Calibre · ebook-convert (EPUB output) | 105.762 |
| EpubCC engine (EPUB, same extractor as Calibre) | 77.855 |
Begrænsninger vi har observeret
- Vektordiagrammer går tabt. Kun rasterdele overlever (her, de grå recession bånd), og akseetiketter, legender og kilder bliver separate korte afsnit.
- Statistiske tabeller skrives som tekst i læseorden, ikke genopbygget som tabeller.
- The statistical tables at the end (pages 413 onwards) use a font without a Unicode map: those characters come out as «�» and the engine warns about them (78 per 1,000 characters on the whole document). OpenDataLoader reports 0 here.
- 9 sider er fuldsidebilleder (covers og separatorer) og udelades, med en advarsel.
- Der er ingen uafhængig referencetekst for dette dokument, så tabellen måler umappede tegn, ikke tekstkvalitet.