EpubCCKonvertering av en fransk PDF til EPUB
Oppdatert:
Fransk tegnsetting overlever konverteringen når PDF lagrer ekte tekst: « » gillemet beholder innvendige mellomrom, apostrofer og aksenterte store bokstaver kommer gjennom, og EPUB er merket som fransk. I denne 22-siders Wikipedia-artikkelen henter andre maskiner mer sammenhengende tekst enn vår.
Opprinnelig og resultat
Gillemet med mellomrom inne (« … »), et mellomrom før ; og :, typografiske og rette apostrofer, aksenterte store bokstaver (É) og œ ligaturen.
Last ned kilde PDF Last ned prøven EPUB
Hva motoren gjør med fransk tekst
Fransk setter et mellomrom inne i gillemet og før ; : ! ?. Motoren beholder disse mellomrommene slik PDF har dem, så en linje begynner aldri med en ensom » eller ; etter omforming.
Språket er detektert som fr og skrevet til EPUB, så leseapper bruker fransk bindestrek.
Hva prøven viser
Sider 2 og 3: sammendraget av de fem delene av romanen, med « rédemption », titler i kursiv og navn med aksenter. Side 3 har bilder; de beholdes i prøve EPUB.
Kilde og lisens
- Dokument
- Wikipedia (French): Les Misérables
- Lisens
- CC BY-SA 4.0 (text); images under their own licences
- Sider
- 22
- Egenskaper
- tekst PDF, én kolonne, Fransk
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.
Innstillinger brukt
- Motor: EpubCC motor ved commit 3b74b26, binæren som genererte bildene og eksempelet (2026-11-04).
- Sider: hele dokumentet for figurene; sider 2–3 for bildene og prøve EPUB.
- Benchmarkfigurer: det publiserte løpet fra 2026-11-03 (motorforpliktelse c953279).
- Alternativer: ingen. Motoren har enda ingen dokumentinnstillinger; de samme standardene gjelder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vår EPUB: 0 feil, 0 advarsler.
EPUBCheck 5.4.0 på den nedlastbare prøven: 0 feil, 0 advarsler (sjekket 2026-11-04).
- Sider
- 22
- Tid
- 0.56 s
- Maksimal minne
- 48 MB
- Språk oppdaget
- fr
- Kapitler
- 9, fra artikkelens overskrifter
- Bilder beholdt
- 23
- Kvalitetsvarsler
- ingen
| Motor | 8-gram tilbakekalling |
|---|---|
| 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 |
Begrensninger vi observerte
- pdf_oxide extract_text (0.903), OpenDataLoader (0.891) og PDFium (0.884) har en klart høyere 8-gram recall enn vår motor (0.819) på dette dokumentet. Det meste av gapet finnes i sider med flytende bilder og referanselisten.
- Typografiske (’) og enkle (') apostrofer beholdes slik som PDF har dem; motoren forener dem ikke.
- Wikipedia-referanser utelater tabeller og infobokser, så presisjonen er lav for hver motor.