EpubCCLinjenummererte PDF-filer (lover, klager): håndteres ennå ikke
Oppdatert:
Linjenumre i margen håndteres ennå ikke: på en 50-siders amerikansk senatsregning skriver EpubCC motoren numrene 1 til 24 som en stabel korte avsnitt før teksten på hver side og deler omtrent 24 ord per 1 000. Andre motorer gjør det dårligere på kontinuitet (8-grams gjenkall 0.09 til 0.51 mot vår 0.559), men ingen gir et rent resultat.
Opprinnelig og resultat
Hver linje nummerert fra 1 til 24 i venstre marg, et sidenummer øverst, ord med bindestrek på slutten av korte linjer, og dyp innrykk for hvert nivå av lovforslaget.
Last ned kilde PDF Last ned prøven EPUB
Hvorfor publiserer vi en sak som feiler
Regninger, rettspapirer og transkripsjoner nummererer ofte hver linje. En konverter som stille holder disse numrene produserer en EPUB som er vanskelig å lese, og du bør vite det før du laster opp et 500-siders dokument. Å fjerne marginlinjenumre står på listen over motorrettelser; denne siden vil bli regenerert når det fungerer.
Kilde og lisens
- Dokument
- Kids Online Safety Act bill, S. 1409 (line-numbered)
- Lisens
- Public domain (work of the U.S. Government)
- Sider
- 50
- Egenskaper
- tekst PDF, én kolonne, linjenummer, juridisk tekst
S. 1409 (118th Congress), Kids Online Safety Act, as introduced in the Senate on 2 May 2023, U.S. Government Publishing Office (govinfo.gov). A work of the U.S. Government, in the public domain.
Innstillinger brukt
- Motor: EpubCC motor ved commit 3b74b26, binæren som genererte bildene og eksempelet (2026-11-04).
- Sider: hele dokumentet for figurene; sider 3–4 for bildene og prøve EPUB.
- Benchmarkfigurer: et løp fra 2026-11-04 med samme binære, hver motor på hele dokumentet; dette dokumentet er ikke enda en del av den publiserte benchmark.
- 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.
EPUBCheck 5.4.0 på den nedlastbare prøven: 0 feil, 0 advarsler (sjekket 2026-11-04).
- Sider
- 50
- Tid
- 0.05 s
- Maksimal minne
- 20 MB
- Kapitler
- ingen oppdaget
- Delte ord / 1 000
- 23.6
- Kvalitetsvarsler
- 1
Kvalitetsvarsler motoren viste:
- Ingen kapitler ble oppdaget: boken forblir i en enkelt seksjon.
| Motor | 8-gram tilbakekalling |
|---|---|
| EpubCC engine (EPUB output) | 0.810 |
| EpubCC engine (plain text) | 0.608 |
| pdf_oxide · extract_text | 0.184 |
| pdf_oxide · to_plain_text (XY-cut) | 0.089 |
| pdf_oxide · Markdown | 0.511 |
| PDFium · text().all() | 0.088 |
| OpenDataLoader PDF (local mode) | 0.088 |
| pdftotext (Poppler) | 0.101 |
| Calibre · ebook-convert (EPUB output) | 0.084 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.810 |
Begrensninger vi observerte
- Linjenumrene beholdes som en rekke med ett-talls avsnitt på starten av hver side i stedet for å bli fjernet.
- Ord med bindestrek ved slutten av en linje blir noen ganger splittet med et mellomrom i stedet for å bli slått sammen («serv ice», «sub ject»): 23.6 delte ord per 1 000 i vår EPUB.
- Innrykk nivåer ((A), (i), (I)) er utflatet; omrisset av lovforslaget er ikke gjenoppbygd.
- Ingen kapitler er oppdaget, og motoren advarer om det.
- Vår 8-grams tilbakekalling (0.559) er den høyeste av de målte motorene, noe som sier mer om hvor vanskelig dette oppsettet er enn om kvaliteten på vårt resultat.