EpubCCKonvertering av en skannet PDF: hva du får i dag
Oppdatert:
En skanning som allerede har et OCR lag konverteres fra den skjulte teksten, med sine feil; EpubCC’s egen OCR kjører bare på skannede sider uten tekst. På en 1867 Alice-skanne lest gjennom sitt gamle lag er vår 8-gram gjenkallingsrate 0.513, under PDFium (0.651) og pdf_oxide (0.632).
Opprinnelig og resultat
En fotografert bok fra 1867: hver side er et bilde, med et usynlig OCR tekstlag lagt til av skanneprosjektet. OCR har feillesninger, delt linjer og har plassert illustrasjonsbildetekster midt i teksten.
Last ned kilde PDF Last ned prøven EPUB
Skannet eller ikke: hvordan motoren bestemmer
En side regnes som skannet når ett bilde dekker hele siden og det ikke finnes selekterbar tekst. Motoren dekoder ikke disse bildene (det er der OCR ville begynne) og rapporterer sidetallene i kvalitetsrapporten, før du betaler for noe.
Når skanningen har et tekstlag, behandler motoren det som enhver annen tekst. Den kan ikke vite at teksten kom fra en gammel OCR-passering, så resultatet er kun så bra som den OCR.
Hva du skal gjøre med en skannet bok i dag
Kjør OCR først med et verktøy du stoler på, deretter konverter resultatet; eller behold PDF. OCR er planlagt som en separat rute; denne siden vil endres når den eksisterer.
Kilde og lisens
- Dokument
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Lisens
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Sider
- 212
- Egenskaper
- skannet, OCR lag, bok, kapitler, illustrasjoner
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).
Innstillinger brukt
- Motor: EpubCC motor ved commit 3b74b26, binæren som genererte bildene og eksempelet (2026-11-04).
- Sider: hele dokumentet for figurene; sider 20–21 for bildene og prøve EPUB.
- Benchmarkfigurer: det publiserte løpet fra 2026-11-03 (motorforpliktelse c953279).
- Alternativer: ingen. Motoren har enda ingen dokumentinnstillinger; de samme standardene gjelder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vår EPUB: 0 feil, 0 advarsler.
EPUBCheck 5.4.0 på den nedlastbare prøven: 0 feil, 0 advarsler (sjekket 2026-11-04).
- Sider
- 212
- Tid
- 0.87 s
- Maksimal minne
- 284 MB
- Sider utelatt som skanninger
- 14
- Kapitler
- 132 (falske overskrifter fra OCR-laget)
Kvalitetsvarsler motoren viste:
- 14 sider ser skannet ut (et fullsidebilde og ingen valgbar tekst) og blir utelatt: 1, 3–8, 10, 14, 16, 209–212. OCR-konvertering er ikke tilgjengelig ennå.
| Motor | 8-gram tilbakekalling |
|---|---|
| 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 |
Begrensninger vi observerte
- Ingen OCR: sider som kun er et bilde blir utelatt fra EPUB, og rapporten lister dem (14 her: omslag, plater og bibliotekssider).
- OCR feil i PDF kopieres, ikke rettes: «MAKMALADE» for MARMALADE, «I Ve» for I've.
- Ord som OCR plasserte på en litt annen baseline blir hevet, og kapittelåpninger med droppede bokstaver produserer falske overskrifter (132 «kapitler» i stedet for 12).
- PDFium (0.651), pdf_oxide (0.632) og OpenDataLoader (0.625) gjenoppretter mer av denne OCR teksten enn vår motor (0.513).
- Referansen er en annen utgave (Project Gutenberg, 1865): bra for å huske, ikke for nøyaktig presisjon.