EpubCCConvertendo um PDF japonês para EPUB
Atualizado:
O texto japonês não tem espaços entre as palavras, portanto, juntar linhas e parágrafos requer regras diferentes do que o texto em latim. Em um artigo da Wikipedia em japonês, o motor EpubCC junta linhas CJK sem inserir espaços.
Original e resultado
Texto CJK sem espaços entre palavras, misturado com script latino e números.
Baixar fonte PDF Baixar a amostra EPUB
Fonte e licença
- Documento
- Wikipedia (Japanese): The Tale of Genji
- Licença
- CC BY-SA 4.0 (text); images under their own licences
- Páginas
- 67
- Características
- texto PDF, uma coluna, Japonês, 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.
Configurações usadas
- Engine: EpubCC engine, build de 2026-11-03 (o que foi medido no benchmark).
- Páginas: o documento completo.
- Opções: nenhuma. O motor ainda não tem configurações por documento; os mesmos padrões se aplicam a todos os arquivos.
Validação e resultados
EPUBCheck EPUBCheck em nosso EPUB: 0 erros, 0 avisos.
| Motor | Recuperação de 8-grama |
|---|---|
| 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 |
Limitações que observamos
- A origem é texto horizontal; livros verticais (tategaki) ainda não foram testados.
- pdf_oxide e pdftotext pontuam ligeiramente mais alto do que nosso mecanismo neste documento.