EpubCCEen gescande PDF converteren: wat je vandaag krijgt
Bijgewerkt:
Een scan die al een OCR-laag heeft, wordt geconverteerd vanuit die verborgen tekst, met zijn fouten; de eigen EpubCC's OCR werkt alleen op gescande pagina's zonder tekst. Op een 1867 Alice-scan die door zijn oude laag is gelezen, is onze 8-gram recall 0.513, onder PDFium (0.651) en pdf_oxide (0.632).
Origineel en resultaat
Een gefotografeerd boek uit 1867: elke pagina is een afbeelding, met een onzichtbare OCR tekstlaag toegevoegd door het scanproject. De OCR heeft verkeerd gelezen woorden, gesplitste zinnen en illustratieteksten midden in de tekst geplaatst.
Download bron PDF Download het voorbeeld EPUB
Gescreende pagina's of niet: hoe de engine beslist
Een pagina telt als gescand wanneer één afbeelding de hele pagina bedekt en er geen selecteerbare tekst is. De engine decodeert die afbeeldingen niet (daar zou OCR beginnen) en rapporteert de paginanummers in het kwaliteitsrapport, voordat je voor iets betaalt.
Wanneer de scan een textlaag heeft, behandelt de engine het zoals elke andere tekst. Het kan niet weten dat de tekst afkomstig is van een oude OCR-run, dus het resultaat is alleen zo goed als die OCR.
Wat te doen met een gescande boek vandaag
Voer OCR eerst uit met een tool die je vertrouwt, en converteer vervolgens het resultaat; of houd de PDF. OCR is gepland als een aparte route; deze pagina zal veranderen wanneer deze bestaat.
Bron en licentie
- Document
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Licentie
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Pagina's
- 212
- Eigenschappen
- gescand, OCR laag, boek, hoofdstukken, illustraties
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).
Gebruikte instellingen
- Engine: EpubCC engine bij commit 3b74b26, het binaire dat de afbeeldingen en de sample heeft gegenereerd (2026-11-04).
- Pagina's: het hele document voor de figuren; pagina's 20–21 voor de afbeeldingen en het voorbeeld EPUB.
- Benchmarkcijfers: de gepubliceerde run van 2026-11-03 (engine commit c953279).
- Opties: geen. De engine heeft nog geen instellingen per document; dezelfde standaardinstellingen zijn van toepassing op elk bestand.
Validatie en resultaten
EPUBCheck EPUBCheck op onze EPUB: 0 fouten, 0 waarschuwingen.
EPUBCheck 5.4.0 op het downloadbare monster: 0 fouten, 0 waarschuwingen (gecontroleerd 2026-11-04).
- Pagina's
- 212
- Tijd
- 0.87 s
- Piekgeheugen
- 284 MB
- Pagina's weggelaten als scans
- 14
- Hoofdstukken
- 132 (valse koppen van de OCR laag)
Kwaliteitswaarschuwingen die de engine toonde:
- 14 pagina's lijken gescand (een volledige pagina- afbeelding en geen selecteerbare tekst) en zijn weggelaten: 1, 3–8, 10, 14, 16, 209–212. OCR conversie is nog niet beschikbaar.
| Motor | 8-gram herinnering |
|---|---|
| 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 |
Beperkingen die we hebben waargenomen
- Geen OCR: pagina's die alleen een afbeelding zijn, worden weggelaten uit de EPUB, en het rapport vermeldt ze (hier 14: omslagen, platen en bibliotheekpagina's).
- OCR fouten in de PDF worden gekopieerd, niet gecorrigeerd: «MAKMALADE» voor MARMALADE, «I Ve» voor I've.
- Woorden die de OCR op een iets andere basislijn hebben geplaatst, worden superscripts, en hoofdstukopeningen met drop caps produceren valse koppen (132 «hoofdstukken» in plaats van 12).
- PDFium (0.651), pdf_oxide (0.632) en OpenDataLoader (0.625) herstellen meer van deze OCR tekst dan onze motor (0.513).
- De referentie is een andere editie (Project Gutenberg, 1865): goed voor herinnering, niet voor exacte precisie.