EpubCCConversion d'un PDF scanné : ce que vous obtenez aujourd'hui
Mis à jour :
Un scan qui a déjà une couche OCR est converti depuis ce texte caché, avec ses erreurs ; le EpubCC propre OCR ne fonctionne que sur les pages numérisées sans texte. Sur un scan d'Alice de 1867 lu à travers sa vieille couche, notre rappel de 8 grammes est 0.513, en dessous de PDFium (0.651) et pdf_oxide (0.632).
Original et résultat
Un livre photographié de 1867 : chaque page est une image, avec une couche de texte invisible OCR ajoutée par le projet de numérisation. Le OCR a mal lu des mots, divisé des lignes et mis des légendes d'illustrations au milieu du texte.
Télécharger la source PDF Télécharger l'échantillon EPUB
Numérisé ou non : comment le moteur décide
Une page est comptée comme scannée lorsque une image couvre toute la page et qu'il n'y a pas de texte sélectionnable. Le moteur ne décode pas ces images (c'est là que OCR commencerait) et signale les numéros de page dans le rapport de qualité, avant que vous ne payiez quoi que ce soit.
Quand le scan a une couche de texte, le moteur la traite comme tout autre texte. Il ne peut pas savoir que le texte provient d'un ancien passage de OCR, donc le résultat est seulement aussi bon que ce OCR.
Que faire avec un livre numérisé aujourd'hui
Exécutez OCR d'abord avec un outil en lequel vous avez confiance, puis convertissez le résultat ; ou conservez le PDF. OCR est prévu comme un itinéraire séparé ; cette page changera quand elle existera.
Source et licence
- Document
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Licence
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Pages
- 212
- Caractéristiques
- numérisé, Couche OCR, livre, chapitres, illustrations
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).
Paramètres utilisés
- Moteur : EpubCC moteur à l'engagement 3b74b26, le binaire qui a généré les images et l'échantillon (2026-11-04).
- Pages : l'ensemble du document pour les figures ; pages 20–21 pour les images et l'échantillon EPUB.
- Chiffres de référence : l'exécution publiée du 2026-11-03 (commit de moteur c953279).
- Options : aucune. Le moteur n'a pas encore de paramètres par document ; les mêmes valeurs par défaut s'appliquent à chaque fichier.
Validation et résultats
EPUBCheck EPUBCheck sur notre EPUB : 0 erreurs, 0 avertissements.
EPUBCheck 5.4.0 sur l'exemple téléchargeable : 0 erreurs, 0 avertissements (vérifié le 2026-11-04).
- Pages
- 212
- Temps
- 0.87 s
- Mémoire peak
- 284 MB
- Pages omises en tant que scans
- 14
- Chapitres
- 132 (faux titres du niveau OCR)
Avertissements de qualité que le moteur a affichés :
- 14 pages semblent scannées (une image pleine page et pas de texte sélectionnable) et sont exclues : 1, 3-8, 10, 14, 16, 209-212. La conversion OCR n'est pas encore disponible.
| Moteur | rappel 8-gram |
|---|---|
| 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 |
Limitations observées
- Pas de OCR : les pages qui ne contiennent qu'une image sont laissées de côté dans le EPUB, et le rapport les répertorie (14 ici : couvertures, planches et pages de bibliothèque).
- Les erreurs de OCR dans le PDF sont copiées, non corrigées : «MAKMALADE» au lieu de MARMALADE, «I Ve» au lieu d'I've.
- Les mots que le OCR a placés sur une base légèrement différente deviennent des exposants, et les ouvertures de chapitres avec des lettres de chute produisent de faux titres (132 « chapitres » au lieu de 12).
- PDFium (0.651), pdf_oxide (0.632) et OpenDataLoader (0.625) récupèrent plus de ce texte OCR que notre moteur (0.513).
- La référence est une édition différente (Project Gutenberg, 1865) : bonne pour le rappel, pas pour la précision exacte.