EpubCCKonverze japonského PDF na EPUB
Aktualizováno:
Japonský text nemá mezery mezi slovy, takže spojení řádků a odstavců potřebuje jiná pravidla než latinský text. Na japonském článku Wikipedie motor EpubCC spojuje CJK řádky bez vložení mezer.
Původní a výsledek
CJK text bez mezer mezi slovy, smíšený s latinkou a čísly.
Stáhnout zdroj PDF Stáhnout ukázku EPUB
Zdroj a licence
- Dokument
- Wikipedia (Japanese): The Tale of Genji
- Licence
- CC BY-SA 4.0 (text); images under their own licences
- Stránky
- 67
- Vlastnosti
- text PDF, jediný sloupec, Japonština, CJK
Wikipedia contributors, “源氏物語” (The Tale of Genji), Japanese Wikipedia, text licensed CC BY-SA 4.0; images under their own licences.
Použité nastavení
- Motor: EpubCC motor, build z 2026-11-03 (ten, který byl měřen v benchmarku).
- Strany: celý dokument.
- Možnosti: žádné. Engine zatím nemá nastavení pro každý dokument; stejné výchozí hodnoty platí pro každý soubor.
Ověření a výsledky
EPUBCheck EPUBCheck na našem EPUB: 0 chyby, 0 upozornění.
| Stroj | 8-gramová recall |
|---|---|
| EpubCC engine (EPUB output) | 0.964 |
| EpubCC engine (plain text) | 0.963 |
| pdf_oxide · extract_text | 0.970 |
| pdf_oxide · to_plain_text (XY-cut) | 0.970 |
| pdf_oxide · Markdown | 0.797 |
| PDFium · text().all() | 0.952 |
| OpenDataLoader PDF (local mode) | 0.942 |
| pdftotext (Poppler) | 0.965 |
| Calibre · ebook-convert (EPUB output) | 0.939 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.964 |
Omezení, která jsme pozorovali
- Zdroj je horizontální text; vertikální (tategaki) knihy ještě nebyly testovány.
- pdf_oxide a pdftotext mají mírně vyšší skóre než náš engine na tomto dokumentu.