EpubCCConvirtiendo un PDF japonés a EPUB
Actualizado:
El texto japonés no tiene espacios entre palabras, por lo que unir líneas y párrafos necesita reglas diferentes a las del texto latino. En un artículo de Wikipedia en japonés, el motor EpubCC une líneas CJK sin insertar espacios.
Original y resultado
Texto CJK sin espacios entre palabras, mezclado con script latino y números.
Descargar fuente PDF Descargar la muestra EPUB
Fuente y licencia
- Documento
- Wikipedia (Japanese): The Tale of Genji
- Licencia
- CC BY-SA 4.0 (text); images under their own licences
- Páginas
- 67
- Características
- texto PDF, una columna, Japonés, 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.
Configuraciones utilizadas
- Motor: EpubCC motor, compilación del 2026-11-03 (el que se midió en el benchmark).
- Páginas: todo el documento.
- Opciones: ninguna. El motor no tiene configuraciones por documento aún; los mismos valores predeterminados se aplican a cada archivo.
Validación y resultados
EPUBCheck EPUBCheck en nuestro EPUB: 0 errores, 0 advertencias.
| Motor | recuperación de 8-gramas |
|---|---|
| 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 |
Limitaciones que observamos
- La fuente es texto horizontal; los libros verticales (tategaki) no han sido probados aún.
- pdf_oxide y pdftotext obtienen una puntuación ligeramente más alta que nuestro motor en este documento.