EpubCCConversia unui PDF japonez la EPUB
Actualizat:
Textul japonez nu are spații între cuvinte, așa că îmbinarea liniilor și paragrafelor necesită reguli diferite decât textul latin. Pe un articol de Wikipedia în japoneză, motorul EpubCC îmbină liniile CJK fără a insera spații.
Original și rezultat
Text CJK fără spații între cuvinte, amestecat cu script latin și numere.
Descarcă sursa PDF Descarcă eșantionul EPUB
Sursă și licență
- Document
- Wikipedia (Japanese): The Tale of Genji
- Licență
- CC BY-SA 4.0 (text); images under their own licences
- Pagini
- 67
- Trăsături
- text PDF, o coloană, Japoneză, 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.
Setări utilizate
- Motor: EpubCC motor, build din 2026-11-03 (cel măsurat în benchmark).
- Pagini: întregul document.
- Opțiuni: niciuna. Motorul nu are încă setări per document; aceleași valori implicite se aplică fiecărui fișier.
Validare și rezultate
EPUBCheck EPUBCheck pe EPUB: 0 erori, 0 avertizări.
| Motor | recall 8-gram |
|---|---|
| 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 |
Limitări observate
- Sursa este text orizontal; cărțile verticale (tategaki) nu au fost încă testate.
- pdf_oxide și pdftotext obțin punctaje ușor mai mari decât motorul nostru pe acest document.