EpubCCPDF-uri numerotate (proiecte de lege, plângeri): nu sunt gestionate încă
Actualizat:
Numerele de linie din margine nu sunt gestionate încă: pe un proiect de lege de 50 de pagini al Senatului U.S. motorul EpubCC scrie numerele 1 până la 24 ca un stivă de paragrafe scurte înainte de textul fiecărei pagini și rupe aproximativ 24 de cuvinte la 1,000. Alte motoare se descurcă mai rău în continuitate (8-gram recall 0.09 la 0.51 împotriva 0.559), dar niciunul nu oferă un rezultat curat.
Original și rezultat
Fiecare linie numerotată de la 1 la 24 în marginea din stânga, un număr de pagină în partea de sus, cuvinte despărțite la sfârșitul liniilor scurte, și o indentare profundă pentru fiecare nivel al documentului.
Descarcă sursa PDF Descarcă eșantionul EPUB
De ce publicăm o situație care eșuează
Facturi, plângeri judiciare și transcrieri numără adesea fiecare linie. Un convertor care păstrează în tăcere aceste numere produce un EPUB care este greu de citit, și ar trebui să știi asta înainte de a încărca o prezentare de 500 de pagini. Eliminarea numerelor de linie ale marginii este pe lista fixurilor motorului; această pagină va fi regenerată când va funcționa.
Sursă și licență
- Document
- Kids Online Safety Act bill, S. 1409 (line-numbered)
- Licență
- Public domain (work of the U.S. Government)
- Pagini
- 50
- Trăsături
- text PDF, o coloană, numere de linie, text legal
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.
Setări utilizate
- Motor: EpubCC motor la commit 3b74b26, binary-ul care a generat imaginile și exemplul (2026-11-04).
- Pagini: întregul document pentru figuri; paginile 3–4 pentru imagini și exemplul EPUB.
- Figuri de benchmarking: o rulare din 2026-11-04 cu același binar, fiecare motor pe întreg documentul; acest document nu face încă parte din benchmark-ul publicat.
- 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.
EPUBCheck 5.4.0 pe mostra descărcabilă: 0 erori, 0 avertizări (verificată pe 2026-11-04).
- Pagini
- 50
- Timp
- 0.05 s
- Memorie maximă
- 20 MB
- Capitole
- niciunul detectat
- Cuvinte rupte / 1,000
- 23.6
- Alerte de calitate
- 1
Avertismente de calitate arătate de motor:
- Nu au fost detectate capitole: cartea rămâne într-o singură secțiune.
| Motor | recall 8-gram |
|---|---|
| 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 |
Limitări observate
- Numerele de linie sunt păstrate ca o succesiune de paragrafe cu un singur număr la începutul fiecărei pagini în loc să fie eliminate.
- Cuvintele legate cu cratimă la un capat de linie sunt uneori rupte cu un spațiu în loc de a fi unite («serv ice», «sub ject»): 23.6 cuvinte rupte per 1,000 în EPUB.
- Nivelurile de indentare ((A), (i), (I)) sunt nivelate; conturul proiectului nu este reconstruit.
- Nu au fost detectate capitole și motorul avertizează despre asta.
- Acoperirea noastră 8-gram (0.559) este cea mai mare dintre motoarele măsurate, ceea ce spune mai multe despre cât de greu este acest layout decât despre calitatea rezultatului nostru.