EpubCCConvirtiendo un PDF escaneado: lo que obtienes hoy
Actualizado:
Un escaneo que ya tiene una capa de OCR se convierte desde ese texto oculto, con sus errores; EpubCC's propio OCR solo se ejecuta en páginas escaneadas sin texto. En un escaneo de Alice de 1867 leído a través de su capa antigua, nuestro recall de 8 gramos es 0.513, por debajo de PDFium (0.651) y pdf_oxide (0.632).
Original y resultado
Un libro fotografiado de 1867: cada página es una imagen, con una capa de texto invisible OCR añadida por el proyecto de escaneo. El OCR tiene palabras mal leídas, líneas divididas y subtítulos de ilustraciones en medio del texto.
Descargar fuente PDF Descargar la muestra EPUB
Escaneado o no: cómo decide el motor
Una página se cuenta como escaneada cuando una imagen cubre toda la página y no hay texto seleccionable. El motor no decodifica esas imágenes (ahí es donde OCR comenzaría) y reporta los números de página en el informe de calidad, antes de que pagues por algo.
Cuando el escaneo tiene una capa de texto, el motor lo trata como cualquier otro texto. No puede saber que el texto provino de un antiguo paso de OCR, por lo que el resultado es solo tan bueno como ese OCR.
¿Qué hacer con un libro escaneado hoy?
Ejecute OCR primero con una herramienta en la que confíe, luego convierta el resultado; o mantenga el PDF. OCR está planeada como una ruta separada; esta página cambiará cuando exista.
Fuente y licencia
- Documento
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Licencia
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Páginas
- 212
- Características
- escaneado, capa de OCR, libro, capítulos, ilustraciones
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).
Configuraciones utilizadas
- Motor: EpubCC motor en commit 3b74b26, el binario que generó las imágenes y la muestra (2026-11-04).
- Páginas: todo el documento para las figuras; páginas 20–21 para las imágenes y la muestra EPUB.
- Cifras de referencia: la ejecución publicada del 2026-11-03 (compromiso del motor c953279).
- Opciones: ninguna. El motor no tiene configuraciones por documento aún; los mismos valores predeterminados se aplican a cada archivo.
Validación y resultados
EPUBCheck EPUBCheck en nuestro EPUB: 0 errores, 0 advertencias.
EPUBCheck 5.4.0 en la muestra descargable: 0 errores, 0 advertencias (verificado el 2026-11-04).
- Páginas
- 212
- Tiempo
- 0.87 s
- Memoria máxima
- 284 MB
- Páginas omitidas como escaneos
- 14
- Capítulos
- 132 (encabezados falsos de la capa OCR)
Advertencias de calidad que mostró el motor:
- 14 páginas parecen escaneadas (una imagen de página completa y sin texto seleccionable) y se excluyen: 1, 3–8, 10, 14, 16, 209–212. La conversión a OCR todavía no está disponible.
| Motor | recuperación de 8-gramas |
|---|---|
| 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 |
Limitaciones que observamos
- No OCR: las páginas que son solo una imagen quedan fuera del EPUB, y el informe las lista (14 aquí: portadas, láminas y páginas de biblioteca).
- Los errores de OCR en el PDF se copian, no se corrigen: «MAKMALADE» por MARMALADE, «I Ve» por I've.
- Las palabras que el OCR colocó en una línea base ligeramente diferente se convierten en superíndices, y los inicios de capítulo con letras de inicio producen encabezados falsos (132 «capítulos» en lugar de 12).
- PDFium (0.651), pdf_oxide (0.632) y OpenDataLoader (0.625) recuperan más de este texto OCR que nuestro motor (0.513).
- La referencia es una edición diferente (Project Gutenberg, 1865): buena para recordar, no para precisión exacta.