EpubCCConvirtiendo un PDF alemán a EPUB
Actualizado:
El texto alemán se convierte limpiamente cuando el PDF almacena texto Unicode real: ä, ö, ü, ß y las comillas de bajo-alto „…“ aparecen sin cambios y el EPUB está etiquetado como alemán. En un artículo de Wikipedia de 86 páginas, nuestra recuperación de 8 gramos es 0.845, por debajo de pdf_oxide's 0.877.
Original y resultado
Umlauts y ß, comillas de cita „…“, palabras compuestas largas y pares con guion como «Freiheits- und Brüderlichkeitsideale».
Descargar fuente PDF Descargar la muestra EPUB
¿Qué hace el motor con texto en alemán?
Los caracteres se mantienen tal como los guarda el PDF. Un guion al final de una línea se elimina solo cuando el PDF lo marca como un guion de fin de línea suave o cuando sigue una letra minúscula, así que los guiones suspendidos («Freiheits- und …») sobreviven.
El idioma se detecta como de y se escribe en el EPUB, por lo que las aplicaciones de lectura utilizan la segmentación silábica alemana para compuestos largos.
¿Qué muestra la muestra?
Páginas 19 y 20 del artículo: Goethe y la Revolución Francesa, densas con „…“ citas, ß y llamadas de referencia, y un encabezado de sección que se convierte en un encabezado en el EPUB.
Fuente y licencia
- Documento
- Wikipedia (German): Johann Wolfgang von Goethe
- Licencia
- CC BY-SA 4.0 (text); images under their own licences
- Páginas
- 86
- Características
- texto PDF, una columna, Alemán
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.
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 19–20 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
- 86
- Tiempo
- 2.5 s
- Memoria máxima
- 87 MB
- Idioma detectado
- de
- Capítulos
- 11, de los encabezados del artículo
- Imágenes mantenidas
- 42
- Advertencias de calidad
- ninguno
| Motor | recuperación de 8-gramas |
|---|---|
| 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 |
Limitaciones que observamos
- pdf_oxide extract_text (0.877) y OpenDataLoader (0.862) tienen un recordatorio de 8-gramas más alto que nuestro motor (0.845) en este documento.
- Un guion real al final de una línea seguido de una letra mayúscula puede perderse: en una regulación de la UE que convertimos, «Online-» + «Desinformation» se convirtió en «OnlineDesinformation». Las páginas que se muestran aquí no tienen tal ruptura.
- Las referencias de Wikipedia omiten tablas e infoboxes, por lo que la precisión es baja para todos los motores.