EpubCCConvertendo um PDF escaneado: o que você obtém hoje
Atualizado:
Uma digitalização que já possui uma camada OCR é convertida a partir desse texto oculto, com seus erros; o EpubCC's próprio OCR só funciona em páginas digitalizadas sem texto. Em uma digitalização de Alice de 1867 lida através de sua velha camada, nossa recuperação de 8 gramas é 0.513, abaixo de PDFium (0.651) e pdf_oxide (0.632).
Original e resultado
Um livro fotografado de 1867: cada página é uma imagem, com uma camada de texto invisível OCR adicionada pelo projeto de digitalização. O OCR tem palavras mal lidas, linhas divididas e legendas de ilustrações no meio do texto.
Baixar fonte PDF Baixar a amostra EPUB
Escaneado ou não: como o motor decide
Uma página conta como escaneada quando uma imagem cobre a página inteira e não há texto selecionável. O mecanismo não decodifica essas imagens (é onde OCR começaria) e relata os números das páginas no relatório de qualidade, antes de você pagar por qualquer coisa.
Quando a digitalização tem uma camada de texto, o mecanismo a trata como qualquer outro texto. Não pode saber que o texto veio de uma antiga passagem de OCR, então o resultado é apenas tão bom quanto esse OCR.
O que fazer com um livro escaneado hoje
Execute OCR primeiro com uma ferramenta em que você confia, em seguida, converta o resultado; ou mantenha o PDF. OCR está planejado como uma rota separada; esta página mudará quando existir.
Fonte e licença
- Documento
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Licença
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Páginas
- 212
- Características
- digitalizado, Camada OCR, livro, capítulos, ilustrações
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).
Configurações usadas
- Engine: EpubCC engine no commit 3b74b26, o binário que gerou as imagens e o exemplo (2026-11-04).
- Páginas: o documento completo para as figuras; páginas 20–21 para as imagens e a amostra EPUB.
- Figuras de referência: a execução publicada de 2026-11-03 (compromisso do mecanismo c953279).
- Opções: nenhuma. O motor ainda não tem configurações por documento; os mesmos padrões se aplicam a todos os arquivos.
Validação e resultados
EPUBCheck EPUBCheck em nosso EPUB: 0 erros, 0 avisos.
EPUBCheck 5.4.0 na amostra disponível para download: 0 erros, 0 avisos (verificado em 2026-11-04).
- Páginas
- 212
- Tempo
- 0.87 s
- Memória máxima
- 284 MB
- Páginas excluídas como digitalizações
- 14
- Capítulos
- 132 (cabeçalhos falsos da camada OCR)
Avisos de qualidade que o motor apresentou:
- 14 páginas parecem digitalizadas (uma imagem de página inteira e sem texto selecionável) e foram deixadas de fora: 1, 3–8, 10, 14, 16, 209–212. A conversão OCR ainda não está disponível.
| Motor | Recuperação de 8-grama |
|---|---|
| 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 |
Limitações que observamos
- Sem OCR: páginas que são apenas uma imagem são deixadas de fora do EPUB, e o relatório as lista (14 aqui: capas, gravuras e páginas de biblioteca).
- Erros de OCR no PDF são copiados, não corrigidos: «MAKMALADE» por MARMALADE, «I Ve» por I've.
- Palavras que o OCR colocou em uma linha de base ligeiramente diferente tornam-se sobrescritos, e aberturas de capítulos com letras iniciais grandes produzem cabeçalhos falsos (132 «capítulos» em vez de 12).
- PDFium (0.651), pdf_oxide (0.632) e OpenDataLoader (0.625) recuperam mais deste texto OCR do que nosso motor (0.513).
- O referência é uma edição diferente (Projeto Gutenberg, 1865): bom para lembrar, não para precisão exata.