EpubCCConvertendo um PDF alemão para EPUB
Atualizado:
O texto em alemão converte-se bem quando o PDF armazena texto Unicode real: ä, ö, ü, ß e as aspas baixas-altas „…“ são mantidas inalteradas e o EPUB é marcado como alemão. Em um artigo da Wikipedia de 86 páginas, nossa recuperação de 8 gramas é 0.845, abaixo de pdf_oxide's 0.877.
Original e resultado
Umlauts e ß, marcas de citação „…“, palavras compostas longas e pares hifenizados como «Freiheits- und Brüderlichkeitsideale».
Baixar fonte PDF Baixar a amostra EPUB
O que o mecanismo faz com texto em alemão
Os caracteres são mantidos como o PDF os armazena. Um hífen no final de uma linha é removido somente quando o PDF o marca como um hífen de final de linha suave ou quando uma letra minúscula segue, então hífens suspensos («Freiheits- und …») sobrevivem.
A língua é detectada como de e escrita no EPUB, então os aplicativos de leitura usam a hifenização em alemão para compostos longos.
O que a amostra mostra
Páginas 19 e 20 do artigo: Goethe e a Revolução Francesa, densas com „…“ citações, ß e chamadas de referência, e um título de seção que se torna um título no EPUB.
Fonte e licença
- Documento
- Wikipedia (German): Johann Wolfgang von Goethe
- Licença
- CC BY-SA 4.0 (text); images under their own licences
- Páginas
- 86
- Características
- texto PDF, uma coluna, Alemão
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.
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 19–20 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
- 86
- Tempo
- 2.5 s
- Memória máxima
- 87 MB
- Idioma detectado
- de
- Capítulos
- 11, dos cabeçalhos do artigo
- Imagens mantidas
- 42
- Advertências de qualidade
- nenhum
| Motor | Recuperação de 8-grama |
|---|---|
| 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 |
Limitações que observamos
- pdf_oxide extract_text (0.877) e OpenDataLoader (0.862) têm uma recuperação de 8-grama mais alta do que nosso mecanismo (0.845) neste documento.
- Um hífen real no final de uma linha seguido por uma letra maiúscula pode ser perdido: em uma regulamentação da UE que nós convertíamos, «Online-» + «Desinformation» tornou-se «OnlineDesinformation». As páginas mostradas aqui não têm essa quebra.
- As referências da Wikipedia deixam de fora tabelas e infoboxes, então a precisão é baixa para todo motor.