EpubCCKonvertering av en japansk PDF til EPUB
Oppdatert:
Japansk tekst har ingen mellomrom mellom ord, så å sette sammen linjer og avsnitt krever andre regler enn latinsk tekst. På en japansk Wikipedia-artikkel slår EpubCC motoren sammen CJK linjer uten å sette inn mellomrom.
Opprinnelig og resultat
CJK-tekst uten mellomrom mellom ordene, blandet med latinske skrifter og tall.
Last ned kilde PDF Last ned prøven EPUB
Kilde og lisens
- Dokument
- Wikipedia (Japanese): The Tale of Genji
- Lisens
- CC BY-SA 4.0 (text); images under their own licences
- Sider
- 67
- Egenskaper
- 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.
Innstillinger brukt
- Motor: EpubCC motor, bygge av 2026-11-03 (den som ble målt i benchmark).
- Sider: hele dokumentet.
- Alternativer: ingen. Motoren har enda ingen dokumentinnstillinger; de samme standardene gjelder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vår EPUB: 0 feil, 0 advarsler.
| Motor | 8-gram tilbakekalling |
|---|---|
| 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 |
Begrensninger vi observerte
- Kilden er horisontal tekst; vertikale (tategaki) bøker har ikke blitt testet ennå.
- pdf_oxide og pdftotext scorer litt høyere enn vår motor på dette dokumentet.