EpubCCConversia unui PDF german la EPUB
Actualizat:
Textul german se convertește curat atunci când PDF conține text Unicode real: ä, ö, ü, ß, iar ghilimelele de tip low-high „…“ trec prin ei neschimbați, iar EPUB este etichetat ca german. Pe un articol Wikipedia de 86 de pagini, recall-ul nostru de 8 grame este 0.845, sub pdf_oxide's 0.877.
Original și rezultat
Umlauturi și ß, semne de întrebare „…“, cuvinte compuse lungi și perechi cu cratimă, cum ar fi «Freiheits- und Brüderlichkeitsideale».
Descarcă sursa PDF Descarcă eșantionul EPUB
Ce face motorul cu textul în limba germană?
Caracterele sunt păstrate așa cum le stochează PDF. Un crat în finalul unei linii este eliminat doar când PDF îl marchează ca un crat de sfârșit de linie moale sau când urmează o literă mică, așa că cratene suspendate («Freiheits- und …») supraviețuiesc.
Limba este detectată ca fiind de și scrisă în EPUB, astfel încât aplicațiile de citire folosesc despărțirea germană pentru compuneri lungi.
Ce arată exemplul?
Pagini 19 și 20 ale articolului: Goethe și Revoluția Franceză, bogate în citate „…“, ß și apeluri de referință, și un titlu de secțiune care devine un titlu în EPUB.
Sursă și licență
- Document
- Wikipedia (German): Johann Wolfgang von Goethe
- Licență
- CC BY-SA 4.0 (text); images under their own licences
- Pagini
- 86
- Trăsături
- text PDF, o coloană, Germană
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.
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 19–20 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
- 86
- Timp
- 2.5 s
- Memorie maximă
- 87 MB
- Limbaj detectat
- de
- Capitole
- 11, din titlurile articolului
- Imagini păstrate
- 42
- Alerte de calitate
- niciunul
| Motor | recall 8-gram |
|---|---|
| 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 |
Limitări observate
- pdf_oxide extract_text (0.877) și OpenDataLoader (0.862) au un recall de 8-gram mai mare decât motorul nostru (0.845) pe acest document.
- O cratimă reală la finalul unei linii urmată de o literă mare poate fi pierdusă: într-o reglementare a UE pe care am convertit-o, «Online-» + «Desinformation» a devenit «OnlineDesinformation». Pagini prezentate aici nu au o astfel de rupere.
- Referințele Wikipedia omit tabelele și infoboxurile, așa că precizia este scăzută pentru fiecare motor.