EpubCCKonverterar en tysk PDF till EPUB
Uppdaterad:
Tysk text konverteras rent när PDF lagrar verklig Unicode-text: ä, ö, ü, ß och de låga-höga „…“ citaten kommer igenom oförändrade och EPUB är taggad som tysk. I en 86-sidig Wikipedia-artikel är vår 8-gram återkallelse 0.845, under pdf_oxide's 0.877.
Original och resultat
Umlaut och ß, „…“ citattecken, långa sammansatta ord och bindestreckade par som «Freiheits- und Brüderlichkeitsideale».
Ladda ner källan PDF Ladda ner provet EPUB
Vad motorn gör med tysk text
Tecken bevaras som PDF lagrar dem. Ett bindestreck i slutet av en rad tas bort endast när PDF markerar det som ett mjukt radslutbindestreck eller när en liten bokstav följer, så suspenderade bindestreck («Freiheits- und …») överlever.
Språket upptäcktes som de och skrevs till EPUB, så läsappar använder tysk bindning för långa sammansättningar.
Vad provet visar
Sidorna 19 och 20 av artikeln: Goethe och den franska revolutionen, tät med „…“ citat, ß och referensanrop, samt en avsnittsrubrik som blir en rubrik i EPUB.
Källa och licens
- Dokument
- Wikipedia (German): Johann Wolfgang von Goethe
- Licens
- CC BY-SA 4.0 (text); images under their own licences
- Sidor
- 86
- Egenskaper
- text PDF, en kolumn, Tyska
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.
Använda inställningar
- Motor: EpubCC motor vid commit 3b74b26, den binära som genererade bilderna och provet (2026-11-04).
- Sidor: hela dokumentet för figurerna; sidor 19–20 för bilderna och exemplet EPUB.
- Benchmark siffror: den publicerade körningen av 2026-11-03 (motorcommit c953279).
- Alternativ: inga. Motorn har inga per-dokument-inställningar ännu; samma standardinställningar gäller för varje fil.
Validering och resultat
EPUBCheck EPUBCheck på vår EPUB: 0 fel, 0 varningar.
EPUBCheck 5.4.0 på den nedladdningsbara provet: 0 fel, 0 varningar (kontrollerat 2026-11-04).
- Sidor
- 86
- Tid
- 2.5 s
- Maxminne
- 87 MB
- Språk upptäckt
- de
- Kapitel
- 11, från artikelns rubriker
- Bilder som behålls
- 42
- Kvalitetsvarningar
- ingen
| Motor | 8-gram återkallande |
|---|---|
| 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 |
Begränsningar vi observerat
- pdf_oxide extract_text (0.877) och OpenDataLoader (0.862) har en högre 8-gram återkallning än vår motor (0.845) på detta dokument.
- Ett verkligt bindestreck i slutet av en rad följt av en stor bokstav kan gå förlorat: i en EU-förordning vi konverterade, «Online-» + «Desinformation» blev «OnlineDesinformation». Sidorna som visas här har ingen sådan brytning.
- Wikipedia-referenser lämnar ut tabeller och infoboxar, så precisionen är låg för varje motor.