EpubCCKonvertering af en japansk PDF til EPUB
Opdateret:
Japansk tekst har ingen mellemrum mellem ord, så sammenkobling af linjer og afsnit kræver andre regler end latin tekst. På en japansk Wikipedia artikel samler EpubCC motoren CJK linjer uden at indsætte mellemrum.
Original og resultat
CJK tekst uden mellemrum mellem ord, blandet med latin skrift og tal.
Download kilde PDF Download prøve EPUB
Kilde og licens
- Dokument
- Wikipedia (Japanese): The Tale of Genji
- Licens
- CC BY-SA 4.0 (text); images under their own licences
- Sider
- 67
- Egenskaber
- tekst PDF, én kolonne, Japansk, 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.
Brugte indstillinger
- Motor: EpubCC motor, build fra 2026-11-03 (den der måles i benchmarket).
- Sider: hele dokumentet.
- Muligheder: ingen. Motoren har endnu ingen per-dokument indstillinger; de samme standardindstillinger gælder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vores EPUB: 0 fejl, 0 advarsler.
| Motor | 8-gram tilbagekaldelse |
|---|---|
| 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 |
Begrænsninger vi har observeret
- Kilden er horisontal tekst; vertikale (tategaki) bøger er endnu ikke blevet testet.
- pdf_oxide og pdftotext scorer lidt højere end vores motor på dette dokument.