EpubCCKonwersja zeskanowanego PDF: co otrzymujesz dzisiaj
Zaktualizowane:
Skan, który już zawiera warstwę OCR, jest konwertowany z tego ukrytego tekstu, z jego błędami; EpubCC's własny OCR działa tylko na zeskanowanych stronach bez tekstu. W skanie z 1867 roku Alice odczytanym przez jego starą warstwę nasza skuteczność przypomnienia to 0.513, poniżej PDFium (0.651) i pdf_oxide (0.632).
Oryginał i wynik
Fotografowana książka z 1867 roku: każda strona to obraz, z niewidoczną warstwą tekstu OCR dodaną przez projekt skanowania. OCR ma przekształcone słowa, podzielone linie i umieszczone napisy ilustracji w środku tekstu.
Pobierz źródło PDF Pobierz próbkę EPUB
Skanowane czy nie: jak silnik podejmuje decyzję
Strona liczy się jako skanowana, gdy jedno zdjęcie pokrywa całą stronę i nie ma tekstu do zaznaczenia. Silnik nie dekoduje tych obrazów (to tutaj OCR by się zaczęło) i raportuje numery stron w raporcie jakości, zanim zapłacisz za cokolwiek.
Kiedy skan ma warstwę tekstu, silnik traktuje ją jak każdy inny tekst. Nie może wiedzieć, że tekst pochodzi z dawnego przebiegu OCR, więc wynik jest tylko tak dobry, jak ten OCR.
Co zrobić ze zeskanowaną książką dzisiaj
Uruchom OCR najpierw za pomocą narzędzia, któremu ufasz, a następnie skonwertuj wynik; lub zachowaj PDF. OCR jest planowane jako osobna ścieżka; ta strona zmieni się, gdy ona powstanie.
Źródło i licencja
- Dokument
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Licencja
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Strony
- 212
- Cechy
- zeskanowany, Warstwa OCR, książka, rozdziały, ilustracje
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).
Ustawienia użyte
- Silnik: EpubCC silnik w wersji 3b74b26, binarny, który wygenerował obrazy i próbkę (2026-11-04).
- Strony: cały dokument dla figur; strony 20–21 dla obrazów i próbki EPUB.
- Wyniki benchmarków: opublikowane uruchomienie z dnia 2026-11-03 (zobowiązanie silnika c953279).
- Opcje: brak. Silnik nie ma jeszcze ustawień na poziomie dokumentu; te same domyślne ustawienia mają zastosowanie do każdego pliku.
Walidacja i wyniki
EPUBCheck EPUBCheck w naszym EPUB: 0 błędów, 0 ostrzeżeń.
EPUBCheck 5.4.0 w próbce do pobrania: 0 błędów, 0 ostrzeżeń (sprawdzone 2026-11-04).
- Strony
- 212
- Czas
- 0.87 s
- Szczyt pamięci
- 284 MB
- Strony pominięte jako skany
- 14
- Rozdziały
- 132 (fałszywe nagłówki z warstwy OCR)
Ostrzeżenia o jakości, które pokazał silnik:
- 14 stron wygląda na zeskanowane (pełnoekranowy obraz i brak tekstu do zaznaczenia) i zostały pominięte: 1, 3–8, 10, 14, 16, 209–212. Konwersja OCR nie jest jeszcze dostępna.
| Silnik | Przywołanie 8-gramowe |
|---|---|
| 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 |
Ograniczenia, które zaobserwowaliśmy
- Brak OCR: strony, które są tylko obrazem, zostały pominięte w EPUB, a raport je wymienia (14 tutaj: okładki, płyty i strony biblioteki).
- Błędy OCR w PDF są kopiowane, a nie poprawiane: «MAKMALADE» zamiast MARMALADE, «I Ve» zamiast I've.
- Słowa, które OCR umieścił na nieco innej bazie, stają się indeksami górnymi, a otwarcia rozdziałów z wielkimi literami produkują fałszywe nagłówki (132 «rozdziały» zamiast 12).
- PDFium (0.651), pdf_oxide (0.632) i OpenDataLoader (0.625) odzyskują więcej z tego OCR tekstu niż nasz silnik (0.513).
- Odniesienie to inna edycja (Project Gutenberg, 1865): dobre do przypomnienia, nie do dokładnej precyzji.