EpubCCKonverze naskenovaného PDF: co dnes dostanete
Aktualizováno:
Naskenovaná stránka, která již má OCR vrstvu, je převedena z této skryté textové vrstvy, se svými chybami; EpubCC's vlastní OCR běží pouze na naskenovaných stránkách bez textu. Na skene 1867 Alice, přečteném skrze její starou vrstvu, je naše 8-gramové vybavení 0.513, pod PDFium (0.651) a pdf_oxide (0.632).
Původní a výsledek
Vyfotografovaná kniha z roku 1867: každá stránka je obraz, s neviditelnou textovou vrstvou OCR přidanou skenovacím projektem. OCR obsahuje nesprávně přečtená slova, rozdělené řádky a popisky ilustrací uprostřed textu.
Stáhnout zdroj PDF Stáhnout ukázku EPUB
Naskenováno nebo ne: jak engine rozhoduje
Stránka se počítá jako naskenovaná, když jeden obrázek pokrývá celou stránku a neexistuje výběrový text. Engin ne dekóduje tyto obrázky (v tomto místě by OCR začalo) a hlásí čísla stránek ve zprávě o kvalitě, než si za něco zaplatíte.
Když sken obsahuje textovou vrstvu, engine s ním zachází jako s jakýmkoliv jiným textem. Nemůže vědět, že text pochází ze starého OCR průchod, takže výsledek je dobrý pouze tak, jaký je ten OCR.
Co dnes udělat se skenovanou knihou
Spusťte OCR nejprve s nástrojem, kterému důvěřujete, poté převedete výsledek; nebo si uchovejte PDF. OCR je plánováno jako samostatná cesta; tato stránka se změní, když existuje.
Zdroj a licence
- Dokument
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Licence
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Stránky
- 212
- Vlastnosti
- naskenováno, OCR vrstva, kniha, kapitoly, ilustrace
Lewis Carroll, Alice's Adventures in Wonderland, Macmillan, 1867 printing (public domain); scan and OCR by the University of Toronto, published on the Internet Archive (alicesadventu00carr).
Použité nastavení
- Motor: EpubCC motor na commitu 3b74b26, binární soubor, který vygeneroval obrázky a vzor (2026-11-04).
- Strany: celý dokument pro obrázky; strany 33–34 pro obrázky a ukázkový EPUB.
- Kontrolní hodnoty: publikovaná spuštění 2026-11-03 (komit enginu c953279).
- Možnosti: žádné. Engine zatím nemá nastavení pro každý dokument; stejné výchozí hodnoty platí pro každý soubor.
Ověření a výsledky
EPUBCheck EPUBCheck na našem EPUB: 0 chyby, 0 upozornění.
EPUBCheck 5.4.0 na stažitelné ukázce: 0 chyb, 0 varování (zkontrolováno 2026-11-04).
- Stránky
- 212
- Čas
- 0.87 s
- Procentuální kódování mezer jako %20 a jiných rezervovaných znaků, a používejte lomítka vpřed.
- 284 MB
- Strany vynechané jako skeny
- 14
- Kapitoly
- 132 (nesprávné nadpisy z vrstvy OCR)
Varování o kvalitě, která motor vykázal:
- 14 stránek vypadá, jako by byly naskenovány (obrázek pokrývající celou stránku a žádný výběr textu) a jsou vynechány: 1, 3–8, 10, 14, 16, 209–212. Konverze OCR zatím není k dispozici.
| Stroj | 8-gramová recall |
|---|---|
| EpubCC engine (EPUB output) | 0.579 |
| EpubCC engine (plain text) | 0.544 |
| pdf_oxide · extract_text | 0.632 |
| pdf_oxide · to_plain_text (XY-cut) | 0.639 |
| pdf_oxide · Markdown | 0.524 |
| PDFium · text().all() | 0.651 |
| OpenDataLoader PDF (local mode) | 0.625 |
| pdftotext (Poppler) | 0.156 |
| Calibre · ebook-convert (EPUB output) | — |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.579 |
Omezení, která jsme pozorovali
- Žádný OCR: stránky, které jsou pouze obrázkem, jsou vynechány z EPUB, a zpráva je vyjmenuje (14 zde: obálky, desky a knihovní stránky).
- Chyby OCR v PDF jsou kopírovány, ne opraveny: «MAKMALADE» místo MARMALADE, «I Ve» místo I've.
- Slova, která OCR umístila na mírně odlišnou základní linii, se stávají superskripty, a otvírání kapitol s velkými písmeny produkuje falešné nadpisy (132 «kapitol» místo 12).
- PDFium (0.651), pdf_oxide (0.632) a OpenDataLoader (0.625) obnovují více tohoto OCR textu než náš nástroj (0.513).
- Odkaz je jiná edice (Project Gutenberg, 1865): dobré pro připomenutí, ne pro přesnou přesnost.