EpubCCΜετατροπή ενός σκαναρισμένου PDF: τι θα λάβεις σήμερα
Ενημερωμένο:
Ένα σκανάρισμα που ήδη φέρει ένα OCR στρώμα μετατρέπεται από αυτό το κρυφό κείμενο, με τα λάθη του; EpubCC's δικό του OCR μόνο εκτελείται σε σαρωμένες σελίδες χωρίς κείμενο. Σε ένα σκανάρισμα του Άλικο του 1867 που διαβάστηκε μέσω του παλαιού στρώματος του, η ανάκληση 8-γραμμάτων μας είναι 0.513, κάτω από PDFium (0.651) και pdf_oxide (0.632).
Πρωτότυπη και αποτέλεσμα
Ένα φωτογραφηθέν βιβλίο του 1867: κάθε σελίδα είναι μια εικόνα, με μια αόρατη OCR στρώση κειμένου που προστέθηκε από το έργο σάρωσης. Το OCR έχει διαβάσει λανθασμένες λέξεις, έχει χωρίσει γραμμές και έχει τοποθετήσει λεζάντες εικονογραφήσεων στο μέσο του κειμένου.
Κατεβάστε την πηγή PDF Κατεβάστε το δείγμα EPUB
Σαρωμένες σελίδες ή όχι: πώς αποφασίζει η μηχανή
Μια σελίδα μετράται ως σαρωμένη όταν μια εικόνα καλύπτει ολόκληρη τη σελίδα και δεν υπάρχει επιλέξιμο κείμενο. Ο κινητήρας δεν αποκωδικοποιεί αυτές τις εικόνες (εκεί είναι που θα ξεκινούσε το OCR) και αναφέρει τους αριθμούς σελίδων στην αναφορά ποιότητας, πριν πληρώσετε για οτιδήποτε.
Όταν η σάρωση έχει μια στρώση κειμένου, ο κινητήρας την αντιμετωπίζει όπως οποιοδήποτε άλλο κείμενο. Δεν μπορεί να γνωρίζει ότι το κείμενο προήλθε από μια παλιά σάρωση OCR, οπότε το αποτέλεσμα είναι μόνο όσο καλό όσο είναι το OCR.
Τι να κάνετε με ένα σαρωμένο βιβλίο σήμερα;
Εκτελέστε πρώτα OCR με ένα εργαλείο που εμπιστεύεστε, στη συνέχεια μετατρέψτε το αποτέλεσμα; ή κρατήστε το PDF. Το OCR είναι προγραμματισμένο ως ξεχωριστός τρόπος; αυτή η σελίδα θα αλλάξει όταν υπάρχει.
Πηγή και άδεια
- Έγγραφο
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Άδεια
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Σελίδες
- 212
- Χαρακτηριστικά
- σάρωση, Στρώμα OCR, βιβλίο, κεφάλαια, εικονογραφήσεις
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).
Ρυθμίσεις που χρησιμοποιούνται
- Μηχανή: EpubCC μηχανή στην αναθεώρηση 3b74b26, το δυαδικό αρχείο που δημιούργησε τις εικόνες και το δείγμα (2026-11-04).
- Σελίδες: το ολόκληρο έγγραφο για τις εικόνες; σελίδες 20–21 για τις εικόνες και το δείγμα EPUB.
- Στοιχεία benchmark: η δημοσιευμένη εκτέλεση της 2026-11-03 (δεσμευτικός κωδικός c953279).
- Επιλογές: καμία. Η μηχανή δεν έχει ακόμα ρυθμίσεις ανά έγγραφο; οι ίδιες προεπιλογές ισχύουν για κάθε αρχείο.
Επικύρωση και αποτελέσματα
EPUBCheck EPUBCheck στην EPUB μας: 0 σφάλματα, 0 προειδοποιήσεις.
EPUBCheck 5.4.0 στο διαθέσιμο δείγμα: 0 σφάλματα, 0 προειδοποιήσεις (ελεγχμένο 2026-11-04).
- Σελίδες
- 212
- Χρόνος
- 0.87 s
- Μέγιστη μνήμη
- 284 MB
- Σελίδες που παραλείφθηκαν ως σκαναρίσματα
- 14
- Κεφάλαια
- 132 (ψευδείς επικεφαλίδες από το επίπεδο OCR)
Προειδοποιήσεις ποιότητας που έδειξε η μηχανή:
- 14 σελίδες φαίνονται σκαναρισμένες (μια εικόνα πλήρους σελίδας και κανένα επιλέξιμο κείμενο) και παραλείπονται: 1, 3–8, 10, 14, 16, 209–212. Η μετατροπή OCR δεν είναι διαθέσιμη ακόμη.
| Μηχανή | 8-γραμμα ανάκληση |
|---|---|
| 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 |
Περιορισμοί που παρατηρήσαμε
- Χωρίς OCR: σελίδες που είναι μόνο μια εικόνα παραλείπονται από την EPUB, και η αναφορά τις αναφέρει (14 εδώ: εξώφυλλα, πίνακες και σελίδες βιβλιοθήκης).
- Τα σφάλματα OCR στο PDF αντιγράφονται, δεν διορθώνονται: «MAKMALADE» για MARMALADE, «I Ve» για I've.
- Λέξεις που το OCR τοποθετεί σε ελαφρώς διαφορετική γραμμή βάσης γίνονται υπεργραφές, και τα ανοίγματα κεφαλαίων με drop caps παράγουν ψευδείς τίτλους (132 «κεφάλαια» αντί για 12).
- PDFium (0.651), pdf_oxide (0.632) και OpenDataLoader (0.625) ανακτούν περισσότερα από αυτό το OCR κείμενο από τη μηχανή μας (0.513).
- Η αναφορά είναι μια διαφορετική έκδοση (Project Gutenberg, 1865): καλή για ανάκληση, όχι για ακριβή ακρίβεια.