EpubCCConversia unui PDF francez în EPUB
Actualizat:
Semnele de punctuație franceză rămân intacte în timpul conversiei atunci când PDF conține text real: « » guillemets păstrează spațiile interioare, apostroafele și literele accentuate trec prin conversie, iar EPUB este etichetat ca francez. Pe acest articol Wikipedia de 22 de pagini, alte motoare recuperează mai mult text continuu decât al nostru.
Original și rezultat
Guillemets cu spații în interior (« … »), un spațiu înainte de ; și :, apostroafe tipografice și drepte, litere accentuate (É) și ligatura œ.
Descarcă sursa PDF Descarcă eșantionul EPUB
Ce face motorul cu textul în limba franceză?
Franceza pune un spațiu în interiorul guillemets și înainte de ; : ! ?. Motorul păstrează acele spații așa cum sunt în PDF, astfel încât o linie nu începe niciodată cu un singur » sau ; după reflow.
Limba este detectată ca fiind fr și scrisă în EPUB, astfel încât aplicațiile de citire folosesc despărțirea în silabe franceză.
Ce arată exemplul?
Pagini 2 și 3: rezumatul celor cinci părți ale romanului, cu « rédemption », titluri în italice și nume cu accente. Pagina 3 are imagini; acestea sunt păstrate în exemplul EPUB.
Sursă și licență
- Document
- Wikipedia (French): Les Misérables
- Licență
- CC BY-SA 4.0 (text); images under their own licences
- Pagini
- 22
- Trăsături
- text PDF, o coloană, Franceză
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.
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 2–3 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
- 22
- Timp
- 0.56 s
- Memorie maximă
- 48 MB
- Limbaj detectat
- fr
- Capitole
- 9, din titlurile articolului
- Imagini păstrate
- 23
- Alerte de calitate
- niciunul
| Motor | recall 8-gram |
|---|---|
| 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 |
Limitări observate
- pdf_oxide extract_text (0.903), OpenDataLoader (0.891) și PDFium (0.884) au un recall de 8-gram clar mai mare decât motorul nostru (0.819) pe acest document. Cea mai mare parte a diferenței este în paginile cu imagini flotante și lista de referințe.
- Apostroafe tipografice (’) și drepte (') sunt păstrate așa cum le are PDF; motorul nu le unified.
- Referințele Wikipedia omit tabelele și infoboxurile, așa că precizia este scăzută pentru fiecare motor.