EpubCCConvertire un PDF scansionato: cosa ottieni oggi
Aggiornato:
Una scansione che ha già un livello OCR viene convertita da quel testo nascosto, con i suoi errori; il EpubCC's OCR funziona solo su pagine scansionate senza testo. Su una scansione di Alice del 1867 letta attraverso il suo vecchio livello, il nostro recall a 8 grammi è 0.513, sotto PDFium (0.651) e pdf_oxide (0.632).
Originale e risultato
Un libro fotografato del 1867: ogni pagina è un'immagine, con uno strato di testo invisibile OCR aggiunto dal progetto di scansione. Il OCR ha parole malletorte, righe spezzate e didascalie di illustrazione in mezzo al testo.
Scarica sorgente PDF Scarica il campione EPUB
Scansionato o meno: come decide il motore
Una pagina è considerata scansionata quando un'immagine copre l'intera pagina e non c'è testo selezionabile. Il motore non decodifica quelle immagini (è da lì che OCR inizierebbe) e riporta i numeri di pagina nel rapporto di qualità, prima che tu paghi per qualsiasi cosa.
Quando la scansione ha uno strato di testo, il motore lo tratta come qualsiasi altro testo. Non può sapere che il testo proviene da un vecchio passaggio di OCR, quindi il risultato è valido solo quanto quel OCR.
Cosa fare con un libro scansionato oggi
Esegui OCR prima con uno strumento di cui ti fidi, poi converti il risultato; oppure tieni il PDF. OCR è pianificato come un percorso separato; questa pagina cambierà quando esisterà.
Fonte e licenza
- Documento
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Licenza
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Pagine
- 212
- Caratteristiche
- scansionato, strato OCR, libro, capitoli, illustrazioni
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).
Impostazioni utilizzate
- Motore: EpubCC motore al commit 3b74b26, il file binario che ha generato le immagini e il campione (2026-11-04).
- Pagine: l'intero documento per le figure; pagine 20–21 per le immagini e il campione EPUB.
- Dati di benchmarking: la corsa pubblicata del 2026-11-03 (commit del motore c953279).
- Opzioni: nessuna. Il motore non ha ancora impostazioni per documento; gli stessi valori predefiniti si applicano a ogni file.
Validazione e risultati
EPUBCheck EPUBCheck sul nostro EPUB: 0 errori, 0 avvisi.
EPUBCheck 5.4.0 sul campione scaricabile: 0 errori, 0 avvisi (controllato il 2026-11-04).
- Pagine
- 212
- Tempo
- 0.87 s
- Memoria massima
- 284 MB
- Pagine omesse come scansioni
- 14
- Capitoli
- 132 (intestazioni false dal livello OCR)
Avvisi di qualità mostrati dal motore:
- 14 pagine sembrano scansionate (un'immagine a tutta pagina e nessun testo selezionabile) e sono escluse: 1, 3–8, 10, 14, 16, 209–212. La conversione di OCR non è ancora disponibile.
| Motore | richiamo 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 |
Limitazioni osservate
- Nessun OCR: le pagine che sono solo un'immagine vengono escluse dal EPUB, e il rapporto le elenca (14 qui: copertine, lastre e pagine di biblioteca).
- Gli errori di OCR nel PDF vengono copiati, non corretti: «MAKMALADE» per MARMALADE, «I Ve» per I've.
- Le parole che il OCR ha posizionato su una linea di base leggermente diversa diventano apici, e le aperture dei capitoli con capitelli a caduta producono intestazioni false (132 «capitoli» invece di 12).
- PDFium (0.651), pdf_oxide (0.632) e OpenDataLoader (0.625) recuperano più di questo testo OCR rispetto al nostro motore (0.513).
- Il riferimento è un'edizione diversa (Project Gutenberg, 1865): utile per il richiamo, non per la precisione esatta.