EpubCCConvertendo um PDF francês para EPUB
Atualizado:
A pontuação francesa sobrevive à conversão quando o PDF armazena texto real: « » os guilhetas mantêm seus espaços internos, apóstrofos e letras maiúsculas acentuadas são mantidos, e o EPUB é marcado como francês. Neste artigo de 22 páginas da Wikipedia, outros motores recuperam mais texto contínuo do que o nosso.
Original e resultado
Guilhetas com espaços internos (« … »), um espaço antes de ; e :, apóstrofos tipográficos e retos, letras maiúsculas acentuadas (É) e a ligadura œ.
Baixar fonte PDF Baixar a amostra EPUB
O que o mecanismo faz com texto em francês
O francês coloca um espaço dentro dos guilhetas e antes de ; : ! ?. O motor mantém esses espaços como o PDF os possui, de modo que uma linha nunca começa com um » ou ; solitário após o reflow.
A língua é detectada como fr e escrita no EPUB, então os aplicativos de leitura usam a hifenização em francês.
O que a amostra mostra
Páginas 2 e 3: o resumo das cinco partes do romance, com « rédemption », títulos em itálico e nomes com acentos. A página 3 tem imagens; elas são mantidas na amostra EPUB.
Fonte e licença
- Documento
- Wikipedia (French): Les Misérables
- Licença
- CC BY-SA 4.0 (text); images under their own licences
- Páginas
- 22
- Características
- texto PDF, uma coluna, Francês
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.
Configurações usadas
- Engine: EpubCC engine no commit 3b74b26, o binário que gerou as imagens e o exemplo (2026-11-04).
- Páginas: o documento completo para as figuras; páginas 2–3 para as imagens e a amostra EPUB.
- Figuras de referência: a execução publicada de 2026-11-03 (compromisso do mecanismo c953279).
- Opções: nenhuma. O motor ainda não tem configurações por documento; os mesmos padrões se aplicam a todos os arquivos.
Validação e resultados
EPUBCheck EPUBCheck em nosso EPUB: 0 erros, 0 avisos.
EPUBCheck 5.4.0 na amostra disponível para download: 0 erros, 0 avisos (verificado em 2026-11-04).
- Páginas
- 22
- Tempo
- 0.56 s
- Memória máxima
- 48 MB
- Idioma detectado
- fr
- Capítulos
- 9, dos cabeçalhos do artigo
- Imagens mantidas
- 23
- Advertências de qualidade
- nenhum
| Motor | Recuperação de 8-grama |
|---|---|
| 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 |
Limitações que observamos
- pdf_oxide extract_text (0.903), OpenDataLoader (0.891) e PDFium (0.884) têm uma recuperação claramente mais alta de 8-grama do que nosso mecanismo (0.819) neste documento. A maior parte da diferença está em páginas com imagens flutuantes e na lista de referências.
- Apostrofes tipográficos (’) e retos (') são mantidos como o PDF os possui; o motor não os unifica.
- As referências da Wikipedia deixam de fora tabelas e infoboxes, então a precisão é baixa para todo motor.