EpubCCKonvertering af en scannet PDF: hvad du får i dag
Opdateret:
En scan, der allerede bærer et OCR lag, konverteres fra den skjulte tekst, med sine fejl; EpubCC's eget OCR kører kun på scannede sider uden tekst. På en 1867 Alice scan læst gennem sit gamle lag er vores 8-gram recall 0.513, under PDFium (0.651) og pdf_oxide (0.632).
Original og resultat
En fotograferet bog fra 1867: hver side er et billede, med et usynligt OCR tekstlag tilføjet af scanningsprojektet. OCR har mislæste ord, delte linjer og placerede illustration underskrifter midt i teksten.
Download kilde PDF Download prøve EPUB
Scannet eller ej: hvordan motoren beslutter
En side tælles som scannet, når et billede dækker hele siden, og der ikke er vælgbar tekst. Motoren dekoder ikke disse billeder (der hvor OCR ville starte) og rapporterer sidenumrene i kvalitetsrapporten, før du betaler for noget.
Når scanneren har et tekstlag, behandler motoren det som enhver anden tekst. Den kan ikke vide, at teksten kom fra et gammelt OCR-pass, så resultatet er kun så godt som det OCR.
Hvad du skal gøre med en scannet bog i dag
Kør OCR først med et værktøj, du stoler på, og konverter derefter resultatet; eller behold PDF. OCR er planlagt som en separat rute; denne side vil ændre sig, når den eksisterer.
Kilde og licens
- Dokument
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Licens
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Sider
- 212
- Egenskaber
- scannet, OCR lag, bog, kapitler, illustrationer
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).
Brugte indstillinger
- Motor: EpubCC motor ved commit 3b74b26, den binære der genererede billederne og prøven (2026-11-04).
- Sider: hele dokumentet for figurerne; siderne 20-21 for billederne og prøven EPUB.
- Benchmark tal: den offentliggjorte kørsel fra 2026-11-03 (engine commit c953279).
- Muligheder: ingen. Motoren har endnu ingen per-dokument indstillinger; de samme standardindstillinger gælder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vores EPUB: 0 fejl, 0 advarsler.
EPUBCheck 5.4.0 på det downloadable prøver: 0 fejl, 0 advarsler (kontrolleret 2026-11-04).
- Sider
- 212
- Tid
- 0.87 s
- Maksimal hukommelse
- 284 MB
- Sider udeladt som scanninger
- 14
- Kapitler
- 132 (falske overskrifter fra OCR-laget)
Kvalitetsadvarsler motoren viste:
- 14 sider ser ud til at være scannede (et fuldsidebillede og ingen valgbart tekst) og udelades: 1, 3–8, 10, 14, 16, 209–212. OCR konvertering er endnu ikke tilgængelig.
| Motor | 8-gram tilbagekaldelse |
|---|---|
| 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 |
Begrænsninger vi har observeret
- Ingen OCR: sider, der kun er et billede, udelades fra EPUB, og rapporten opregner dem (14 her: omslag, plader og biblioteksider).
- OCR-fejl i PDF er kopieret, ikke korrekt, «MAKMALADE» for MARMALADE, «I Ve» for I've.
- Ord, som OCR placerede på en let forskellig baseline, bliver superskrifter, og kapiteltitler med drop caps producerer falske overskrifter (132 «kapitler» i stedet for 12).
- PDFium (0.651), pdf_oxide (0.632) og OpenDataLoader (0.625) genvinder mere af denne OCR tekst end vores motor (0.513).
- Referencen er en anden udgave (Project Gutenberg, 1865): god til hukommelse, ikke til nøjagtig præcision.