EpubCCKonvertierung eines gescannten PDF: was Sie heute erhalten
Aktualisiert:
Ein Scan, der bereits eine OCR-Schicht enthält, wird aus diesem verborgenen Text konvertiert, mit seinen Fehlern; EpubCC's eigene OCR läuft nur auf gescannten Seiten ohne Text. Bei einem 1867 Alice-Scan, der durch seine alte Schicht gelesen wird, beträgt unser 8-Gramm-Rückruf 0.513, unter PDFium (0.651) und pdf_oxide (0.632).
Original und Ergebnis
Ein fotografiertes Buch von 1867: Jede Seite ist ein Bild, mit einer unsichtbaren OCR Textschicht, die vom Scanprojekt hinzugefügt wurde. Das OCR hat falsch gelesene Wörter, zerbrochene Zeilen und hat Illustriertitel mitten im Text platziert.
Quell-PDF herunterladen Laden Sie das Muster EPUB herunter
Scanned oder nicht: wie die Engine entscheidet
Eine Seite zählt als gescannt, wenn ein Bild die gesamte Seite abdeckt und es keinen auswählbaren Text gibt. Die Engine dekodiert diese Bilder nicht (das ist, wo OCR beginnen würde) und meldet die Seitenzahlen im Qualitätsbericht, bevor Sie für etwas bezahlen.
Wenn der Scan eine Textebene hat, behandelt die Engine ihn wie jeden anderen Text. Sie kann nicht wissen, dass der Text aus einem alten OCR-Durchlauf stammt, sodass das Ergebnis nur so gut ist wie dieser OCR.
Was Sie heute mit einem gescannten Buch tun sollten.
Führen Sie OCR zuerst mit einem Tool, dem Sie vertrauen, aus, und konvertieren Sie dann das Ergebnis; oder behalten Sie den PDF. OCR ist als separater Weg geplant; diese Seite wird sich ändern, wenn sie existiert.
Quelle und Lizenz
- Dokument
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Lizenz
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Seiten
- 212
- Eigenschaften
- gescannt, OCR-Ebene, Buch, Kapitel, Illustrationen
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).
Verwendete Einstellungen
- Engine: EpubCC Engine bei Commit 3b74b26, das Binärformat, das die Bilder und das Beispiel erzeugt hat (2026-11-04).
- Seiten: das gesamte Dokument für die Abbildungen; Seiten 20–21 für die Bilder und das Beispiel EPUB.
- Benchmark-Zahlen: der veröffentlichte Lauf vom 2026-11-03 (Engine-Commit c953279).
- Optionen: keine. Die Engine hat noch keine dokumentenspezifischen Einstellungen; dieselben Standardwerte gelten für jede Datei.
Validierung und Ergebnisse
EPUBCheck EPUBCheck auf unserem EPUB: 0 Fehler, 0 Warnungen.
EPUBCheck 5.4.0 über das herunterladbare Beispiel: 0 Fehler, 0 Warnungen (überprüft am 2026-11-04).
- Seiten
- 212
- Zeit
- 0.87 s
- Maximaler Speicher
- 284 MB
- Seiten als Scans ausgelassen
- 14
- Kapitel
- 132 (falsche Überschriften aus der OCR-Ebene)
Qualitätswarnungen, die die Engine angezeigt hat:
- 14 Seiten sehen gescannt aus (ein Vollbildbild und kein auswählbarer Text) und wurden weggelassen: 1, 3–8, 10, 14, 16, 209–212. OCR-Konvertierung ist noch nicht verfügbar.
| Motor | 8-Gramm-Rückruf |
|---|---|
| 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 |
Beobachtete Einschränkungen
- Kein OCR: Seiten, die nur ein Bild sind, sind nicht im EPUB enthalten, und der Bericht listet sie auf (hier 14: Einbände, Platten und Bibliotheksseiten).
- OCR-Fehler im PDF werden kopiert, nicht korrigiert: «MAKMALADE» für MARMALADE, «I Ve» für I've.
- Wörter, die der OCR auf einer leicht anderen Grundlinie platziert hat, werden zu Hochzahlen, und Kapitelanfänge mit Kapitalbuchstaben erzeugen falsche Überschriften (132 «Kapitel» anstelle von 12).
- PDFium (0.651), pdf_oxide (0.632) und OpenDataLoader (0.625) beanspruchen mehr von diesem OCR-Text als unsere Engine (0.513).
- Die Referenz ist eine andere Ausgabe (Project Gutenberg, 1865): gut zur Erinnerung, nicht für genaue Präzision.