EpubCCMuuntaminen skannatusta PDF:sta: mitä saat tänään
Päivitetty:
Skannaus, joka jo sisältää OCR kerroksen, muunnetaan siitä piilotetusta tekstistä sen virheineen; EpubCC:n oma OCR toimii vain skannatuilla sivuilla, joilla ei ole tekstiä. Vuoden 1867 Alice -skannaus, joka luetaan vanhan kerroksen kautta, meidän 8-grammimuistimme on 0.513, alle PDFium (0.651) ja pdf_oxide (0.632).
Alkuperäinen ja tulos
Vuodelta 1867 valokuvattu kirja: jokainen sivu on kuva, johon skannausprojekti on lisännyt näkymättömän OCR tekstikerroksen. OCR:ssä on väärin luettuja sanoja, pilkottuja rivejä ja kuvaotsikoita tekstin keskellä.
Lataa lähde PDF Lataa näyte EPUB
Skannattu tai ei: kuinka moottori päättää.
Sivu lasketaan skannatuksi, kun yksi kuva kattaa koko sivun eikä valittavaa tekstiä ole. Moottori ei dekoda näitä kuvia (siitä OCR alkaisi) ja raportoi sivun numerot laatutarkastuksessa ennen kuin maksat mistään.
Kun skannauksessa on tekstikerros, moottori käsittelee sitä kuin mitä tahansa muuta tekstiä. Se ei voi tietää, että teksti on peräisin vanhasta OCR-kierrosta, joten tulos on vain niin hyvä kuin se OCR.
Mitä tehdä skannatulle kirjalle tänään
Suorita OCR ensin työkaluilla, joihin luotat, ja muunna tulos; tai pidä PDF. OCR on suunniteltu erilliseksi reitiksi; tämä sivu muuttuu, kun se on olemassa.
Lähde ja lisenssi
- Dokumentti
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Lisenssi
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Sivut
- 212
- Ominaisuudet
- skannattu, OCR kerros, kirja, luvut, kuvitukset
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).
Käytetyt asetukset
- Moottori: EpubCC moottori commitissa 3b74b26, binääri, joka tuotti kuvat ja näytekappaleen (2026-11-04).
- Sivut: koko asiakirja kuvien osalta; sivut 20–21 kuvien ja näytteen EPUB osalta.
- Vertailuluvut: julkaistu suoritus 2026-11-03 (moottorin sitoumus c953279).
- Valinnat: ei mitään. Moottorilla ei vielä ole asiakirjakohtaisia asetuksia; samat oletusasetukset pätevät kaikkiin tiedostoihin.
Validointi ja tulokset
EPUBCheck EPUBCheck meidän EPUB: 0 virheitä, 0 varoituksia.
EPUBCheck 5.4.0 ladattavasta näytteestä: 0 virhettä, 0 varoitusta (tarkistettu 2026-11-04).
- Sivut
- 212
- Aika
- 0.87 s
- Huippumuisti
- 284 MB
- Sivut jätetty pois skannauksina
- 14
- Luvut
- 132 (valehdellut otsikot OCR-kerroksesta)
Laatuvaroitukset, joita moottori näytti:
- 14 sivua näyttävät skannatuilta (kokosivun kuva ja ei valittavaa tekstiä) ja on jätetty pois: 1, 3–8, 10, 14, 16, 209–212. OCR muunnosta ei ole vielä saatavilla.
| Moottori | 8-grammin muistaminen |
|---|---|
| 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 |
Havaittuja rajoituksia
- Ei OCR: sivut, jotka ovat vain kuva, jäävät pois EPUB:stä, ja raportti luettelee ne (14 tässä: kansikuvat, levyt ja kirjastosivut).
- OCR virheet PDF:ssä kopioidaan, eivätkä ne korjata: «MAKMALADE» MARMALADE:lle, «I Ve» olen.
- Sanoista, jotka OCR sijoitti hieman eri perustasoon, tulee korotuksia, ja lukuavaukset, joissa on isopäät, tuottavat vääriä otsikoita (132 «lukua» 12:sta sen sijaan).
- PDFium (0.651), pdf_oxide (0.632) ja OpenDataLoader (0.625) palauttavat enemmän tätä OCR-tekstiä kuin moottorimme (0.513).
- Viite on eri painos (Project Gutenberg, 1865): hyvä muistamiseen, ei tarkkaan tarkkuuteen.