EpubCCConvirtiendo un PDF francés a EPUB
Actualizado:
La puntuación francesa sobrevive a la conversión cuando el PDF almacena texto real: los guillemets « » mantienen sus espacios interiores, los apóstrofes y las mayúsculas acentuadas aparecen, y el EPUB está etiquetado como francés. En este artículo de Wikipedia de 22 páginas, otros motores recuperan más texto continuo que el nuestro.
Original y resultado
Guillemets con espacios dentro (« … »), un espacio antes de ; y :, apóstrofes tipográficos y rectos, mayúsculas acentuadas (É) y la ligadura œ.
Descargar fuente PDF Descargar la muestra EPUB
¿Qué hace el motor con texto en francés?
El francés pone un espacio dentro de los guillemets y antes de ; : ! ?. El motor mantiene esos espacios tal como los tiene el PDF, por lo que una línea nunca comienza con un » o ; solitario después de volver a fluir.
El idioma se detecta como fr y se escribe en el EPUB, por lo que las aplicaciones de lectura utilizan la segmentación silábica francesa.
¿Qué muestra la muestra?
Páginas 2 y 3: el resumen de las cinco partes de la novela, con « rédemption », títulos en cursiva y nombres con acentos. La página 3 tiene imágenes; se mantienen en la muestra EPUB.
Fuente y licencia
- Documento
- Wikipedia (French): Les Misérables
- Licencia
- CC BY-SA 4.0 (text); images under their own licences
- Páginas
- 22
- Características
- texto PDF, una columna, Francés
Wikipedia contributors, “Les Misérables”, French Wikipedia, PDF from the Wikimedia REST API; text licensed CC BY-SA 4.0, images under their own licences. Pages shown unmodified; the EPUB is our conversion, under the same licence.
Configuraciones utilizadas
- Motor: EpubCC motor en commit 3b74b26, el binario que generó las imágenes y la muestra (2026-11-04).
- Páginas: todo el documento para las figuras; páginas 2–3 para las imágenes y la muestra EPUB.
- Cifras de referencia: la ejecución publicada del 2026-11-03 (compromiso del motor c953279).
- Opciones: ninguna. El motor no tiene configuraciones por documento aún; los mismos valores predeterminados se aplican a cada archivo.
Validación y resultados
EPUBCheck EPUBCheck en nuestro EPUB: 0 errores, 0 advertencias.
EPUBCheck 5.4.0 en la muestra descargable: 0 errores, 0 advertencias (verificado el 2026-11-04).
- Páginas
- 22
- Tiempo
- 0.56 s
- Memoria máxima
- 48 MB
- Idioma detectado
- fr
- Capítulos
- 9, de los encabezados del artículo
- Imágenes mantenidas
- 23
- Advertencias de calidad
- ninguno
| Motor | recuperación de 8-gramas |
|---|---|
| EpubCC engine (EPUB output) | 0.841 |
| EpubCC engine (plain text) | 0.833 |
| pdf_oxide · extract_text | 0.903 |
| pdf_oxide · to_plain_text (XY-cut) | 0.903 |
| pdf_oxide · Markdown | 0.751 |
| PDFium · text().all() | 0.884 |
| OpenDataLoader PDF (local mode) | 0.891 |
| pdftotext (Poppler) | 0.846 |
| Calibre · ebook-convert (EPUB output) | 0.788 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.840 |
Limitaciones que observamos
- pdf_oxide extract_text (0.903), OpenDataLoader (0.891) y PDFium (0.884) tienen un recordatorio de 8-gramas claramente más alto que nuestro motor (0.819) en este documento. La mayor parte de la brecha se encuentra en páginas con imágenes flotantes y la lista de referencias.
- Los apóstrofes tipográficos (’) y rectos (') se mantienen como el PDF los tiene; el motor no los unifica.
- Las referencias de Wikipedia omiten tablas e infoboxes, por lo que la precisión es baja para todos los motores.