EpubCCKonvertering av en tysk PDF til EPUB
Oppdatert:
Tysk tekst konverterer rent når PDF lagrer ekte Unicode-tekst: ä, ö, ü, ß og de lav-høye „…“ sitatene kommer gjennom uendret og EPUB er merket som tysk. I en 86-siders Wikipedia-artikkel er vår 8-grams tilbakekalling 0.845, under pdf_oxide's 0.877.
Opprinnelig og resultat
Umlauter og ß, „…“ anførselstegn, lange sammensatte ord og bindestrekpar som «Freiheits- und Brüderlichkeitsideale».
Last ned kilde PDF Last ned prøven EPUB
Hva motoren gjør med tysk tekst
Tegn beholdes slik som PDF lagrer dem. Et bindestrek på slutten av en linje fjernes bare når PDF markerer det som en myk linje-avslutningsbindestrek eller når en liten bokstav følger, så hengende bindestreker («Freiheits- und …») overlever.
Språket er detektert som de og skrevet til EPUB, så leseapper bruker tysk bindestrek for lange sammensetninger.
Hva prøven viser
Sider 19 og 20 av artikkelen: Goethe og den franske revolusjonen, tett med „…“ sitater, ß og referansesamtaler, og en seksjonsoverskrift som blir en overskrift i EPUB.
Kilde og lisens
- Dokument
- Wikipedia (German): Johann Wolfgang von Goethe
- Lisens
- CC BY-SA 4.0 (text); images under their own licences
- Sider
- 86
- Egenskaper
- 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.
Innstillinger brukt
- Motor: EpubCC motor ved commit 3b74b26, binæren som genererte bildene og eksempelet (2026-11-04).
- Sider: hele dokumentet for figurene; sider 19–20 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
- 86
- Tid
- 2.5 s
- Maksimal minne
- 87 MB
- Språk oppdaget
- de
- Kapitler
- 11, fra artikkelens overskrifter
- Bilder beholdt
- 42
- Kvalitetsvarsler
- ingen
| Motor | 8-gram tilbakekalling |
|---|---|
| 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 |
Begrensninger vi observerte
- pdf_oxide extract_text (0.877) og OpenDataLoader (0.862) har en høyere 8-gram recall enn vår motor (0.845) på dette dokumentet.
- En ekte bindestrek på slutten av en linje etterfulgt av en stor bokstav kan gå tapt: i en EU-forordning vi konverterte, ble «Online-» + «Desinformation» til «OnlineDesinformation». Sidene vist her har ingen slik brekk.
- Wikipedia-referanser utelater tabeller og infobokser, så presisjonen er lav for hver motor.