EpubCCConversia unui PDF scanat: ce obții astăzi
Actualizat:
O scanare care deja conține un strat OCR este convertită din acel text ascuns, cu erorile sale; EpubCC's propriul OCR rulează doar pe pagini scanate fără text. Pe o scanare din 1867 a lui Alice citită prin stratul său vechi, recall-ul nostru de 8 grame este 0.513, sub PDFium (0.651) și pdf_oxide (0.632).
Original și rezultat
O carte fotografiată din 1867: fiecare pagină este o imagine, cu un strat de text OCR invizibil adăugat de proiectul de scanare. OCR a citit greșit cuvinte, a împărțit linii și a pus legenda ilustrațiilor în mijlocul textului.
Descarcă sursa PDF Descarcă eșantionul EPUB
Scanat sau nu: cum decide motorul
O pagină este considerată scanată când o imagine acoperă întreaga pagină și nu există text selectabil. Motorul nu decodează acele imagini (acolo unde OCR ar începe) și raportaează numerele paginilor în raportul de calitate, înainte de a plăti pentru ceva.
Când scanarea are un strat de text, motorul o tratează ca pe orice alt text. Nu poate ști că textul provine dintr-un vechi OCR, așa că rezultatul este doar la fel de bun ca acel OCR.
Ce să faci cu o carte scanată astăzi?
Execută OCR primul cu un instrument în care ai încredere, apoi convertește rezultatul; sau păstrează PDF. OCR este planificat ca o rută separată; această pagină se va schimba când va exista.
Sursă și licență
- Document
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Licență
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Pagini
- 212
- Trăsături
- scanat, stratul OCR, carte, capitole, ilustrații
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).
Setări utilizate
- Motor: EpubCC motor la commit 3b74b26, binary-ul care a generat imaginile și exemplul (2026-11-04).
- Pagini: întregul document pentru figuri; paginile 20–21 pentru imagini și exemplul EPUB.
- Figuri de benchmarking: rularea publicată din 2026-11-03 (commit-ul motorului c953279).
- Opțiuni: niciuna. Motorul nu are încă setări per document; aceleași valori implicite se aplică fiecărui fișier.
Validare și rezultate
EPUBCheck EPUBCheck pe EPUB: 0 erori, 0 avertizări.
EPUBCheck 5.4.0 pe mostra descărcabilă: 0 erori, 0 avertizări (verificată pe 2026-11-04).
- Pagini
- 212
- Timp
- 0.87 s
- Memorie maximă
- 284 MB
- Pagini omise ca scanări
- 14
- Capitole
- 132 (titluri false de la nivelul OCR)
Avertismente de calitate arătate de motor:
- 14 pagini par a fi scanate (o imagine pe pagină întreagă și fără text selectabil) și sunt omise: 1, 3–8, 10, 14, 16, 209–212. Conversia OCR nu este disponibilă încă.
| Motor | recall 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 |
Limitări observate
- Fără OCR: paginile care sunt doar o imagine sunt omise din EPUB, iar raportul le listează (14 aici: coperți, plăci și pagini ale bibliotecii).
- Erorile OCR din PDF sunt copiate, nu corectate: «MAKMALADE» pentru MARMALADE, «I Ve» pentru I've.
- Cuvintele pe care OCR le-a plasat pe o linie de bază ușor diferită devin note de subsol, iar deschiderea capitolelor cu litere mari produce titluri false (132 „capitole” în loc de 12).
- PDFium (0.651), pdf_oxide (0.632) și OpenDataLoader (0.625) recuperează mai mult din acest text OCR decât motorul nostru (0.513).
- Referința este o ediție diferită (Project Gutenberg, 1865): bună pentru reamintire, nu pentru precizie exactă.