EpubCCKonvertering af en tysk PDF til EPUB
Opdateret:
Tysk tekst konverterer rent, når PDF gemmer reel Unicode-tekst: ä, ö, ü, ß og de lave-høje „…“ citater kommer uændret igennem, og EPUB er mærket som tysk. På en 86-siders Wikipedia-artikel er vores 8-grams tilbagekaldelse 0.845, under pdf_oxide's 0.877.
Original og resultat
Umlaut og ß, „…“ citationstegn, lange sammensatte ord og bindestregede par såsom «Freiheits- und Brüderlichkeitsideale».
Download kilde PDF Download prøve EPUB
Hvad motoren gør med tysk tekst
Tegn opbevares, som PDF gemmer dem. Et bindestreg i slutningen af en linje fjernes kun, når PDF markerer det som en blød linje-slut bindestreg eller når et lille bogstav følger, så suspenderede bindestreger («Freiheits- und …») overlever.
Sproget bliver opdaget som de og skrevet til EPUB, så læseapps bruger tysk bindestreg for lange sammensætninger.
Hvad prøven viser
Siderne 19 og 20 af artiklen: Goethe og den franske revolution, tætpakket med „…“ citater, ß og referenceopkald, samt en afsnitsoverskrift, der bliver en overskrift i EPUB.
Kilde og licens
- Dokument
- Wikipedia (German): Johann Wolfgang von Goethe
- Licens
- CC BY-SA 4.0 (text); images under their own licences
- Sider
- 86
- Egenskaber
- tekst PDF, én kolonne, Tysk
Wikipedia contributors, “Johann Wolfgang von Goethe”, German 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.
Brugte indstillinger
- Motor: EpubCC motor ved commit 3b74b26, den binære der genererede billederne og prøven (2026-11-04).
- Sider: hele dokumentet for figurerne; siderne 19-20 for billederne og prøven EPUB.
- Benchmark tal: den offentliggjorte kørsel fra 2026-11-03 (engine commit c953279).
- Muligheder: ingen. Motoren har endnu ingen per-dokument indstillinger; de samme standardindstillinger gælder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vores EPUB: 0 fejl, 0 advarsler.
EPUBCheck 5.4.0 på det downloadable prøver: 0 fejl, 0 advarsler (kontrolleret 2026-11-04).
- Sider
- 86
- Tid
- 2.5 s
- Maksimal hukommelse
- 87 MB
- Sprog detekteret
- da
- Kapitler
- 11, fra artikeloverskrifterne
- Billeder beholdt
- 42
- Kvalitetsadvarsler
- ingen
| Motor | 8-gram tilbagekaldelse |
|---|---|
| EpubCC engine (EPUB output) | 0.862 |
| EpubCC engine (plain text) | 0.856 |
| pdf_oxide · extract_text | 0.877 |
| pdf_oxide · to_plain_text (XY-cut) | 0.877 |
| pdf_oxide · Markdown | 0.758 |
| PDFium · text().all() | 0.854 |
| OpenDataLoader PDF (local mode) | 0.862 |
| pdftotext (Poppler) | 0.853 |
| Calibre · ebook-convert (EPUB output) | 0.853 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.862 |
Begrænsninger vi har observeret
- pdf_oxide extract_text (0.877) og OpenDataLoader (0.862) har en højere 8-gram tilbagekaldelse end vores motor (0.845) på dette dokument.
- Et ægte bindestreg i slutningen af en linje efterfulgt af et stort bogstav kan gå tabt: i en EU-forordning vi konverterede, blev «Online-» + «Desinformation» til «OnlineDesinformation». De viste sider her har ikke sådan et brud.
- Wikipedia-referencer undlader tabeller og infobokse, så præcisionen er lav for hver motor.