EpubCCCe se întâmplă cu graficele atunci când un PDF devine un EPUB
Actualizat:
Graficele desenate ca grafică vectorială nu sunt păstrate: motorul EpubCC păstrează imagini raster, dar nu desene vectoriale, astfel că un grafic liniar își pierde liniile iar etichetele axei se transformă în paragrafe libere. În Raportul Economic al Președintelui 2024 de 487 de pagini, textul din jurul graficelor se convertește bine; graficele în sine nu.
Original și rezultat
Graficele cu linii și bare desenate ca grafică vectorială, cu etichete pe axe și legende ca text real, plus tabele și cutii statistice.
Descarcă sursa PDF Descarcă eșantionul EPUB
De ce graficele sunt pierdute
Un grafic PDF nu este de obicei o imagine: este un set de instrucțiuni de desenare (linii, umpluturi) plus text real pentru etichete. Motorul citește text și imagini raster. Nu desenează încă grafică vectorială într-o imagine, așa că ceea ce rămâne este textul graficului fără grafic.
Pentru o carte unde graficele contează, PDF este totuși formatul mai bun pentru acele pagini. Mai degrabă am spune asta decât să livrăm un EPUB cu figuri goale și să-l numim complet.
Ce înseamnă a se converti bine
Textul curent: paragrafe unite peste pagini, titluri curente eliminate (scurgere de margine 0.000 în referința la 1.000 pentru PDFium și pdf_oxide), note de subsol legate și 26 de capitole din conturul PDF.
Sursă și licență
- Document
- Economic Report of the President 2024
- Licență
- Public domain (work of the U.S. Government)
- Pagini
- 487
- Trăsături
- text PDF, carte, tabele, grafice, cărți, note de subsol, lung
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.
Setări utilizate
- Motor: EpubCC motor la commit 3b74b26, binary-ul care a generat imaginile și exemplul (2026-11-04).
- Pagini: întregul document pentru figuri; paginile 33–34 pentru imagini și exemplul EPUB.
- Figuri de benchmarking: rularea publicată din 2026-11-03 (commit-ul motorului c953279).
- Opțiuni: niciuna. Motorul nu are încă setări per document; aceleași valori implicite se aplică fiecărui fișier.
Validare și rezultate
EPUBCheck EPUBCheck pe EPUB: 0 erori, 0 avertizări.
EPUBCheck 5.4.0 pe mostra descărcabilă: 0 erori, 0 avertizări (verificată pe 2026-11-04).
- Pagini
- 487
- Timp
- 4.9 s
- Memorie maximă
- 179 MB
- Capitole
- 26, din schița PDF
- Imagini raster păstrate
- 69
- Graficele vectoriale păstrate
- 0
Avertismente de calitate arătate de motor:
- 9 pagini par a fi scanate (o imagine pe pagină întreagă și fără text selectabil) și sunt omise: 3, 5, 7, 11, 13, 15, 391, 407 și 487.
- Unele caractere nu pot fi recuperate din PDF (fonturi fără o tabelă Unicode) și apar ca «�»: paginile 413 până la 487.
| Motor | Glyph-uri ne-mape / 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 |
Limitări observate
- Graficele vectoriale sunt pierdute. Numai piesele raster supraviețuiesc (aici, benzile de recesiune gri), iar etichetele axelor, legenda și sursele devin paragrafe scurte separate.
- Tabelele statistice sunt scrise ca text în ordinea citirii, nu reconstruite ca tabele.
- Tabelele statistice de la final (pag. 413 încolo) folosesc un font fără o hartă Unicode: acele caractere apar ca «�» și motorul avertizează despre ele (78 per 1,000 caractere în întreg documentul). OpenDataLoaderraportează 0 aici.
- 9 pagini sunt imagini pe pagină întreagă (coperți și separatoare) și sunt omise, cu un mesaj de avertizare.
- Nu există text de referință independent pentru acest document, deci tabelul măsoară caracterele nemarcate, nu calitatea textului.