EpubCCKonvertera en skannad PDF: vad du får idag
Uppdaterad:
En skanning som redan har ett OCR-lager omvandlas från den dolda texten, med dess fel; EpubCC's egna OCR körs endast på skannade sidor utan text. På en 1867 Alice-skanning som läses genom sitt gamla lager är vår 8-gram återkallelse 0.513, under PDFium (0.651) och pdf_oxide (0.632).
Original och resultat
En fotograferad bok från 1867: varje sida är en bild, med ett osynligt OCR textlager som lagts till av skanningsprojektet. OCR har missuppfattat ord, delade rader och lagt illustrationsrubriker mitt i texten.
Ladda ner källan PDF Ladda ner provet EPUB
Skannad eller inte: hur motorn beslutar
En sida räknas som skannad när en bild täcker hela sidan och det inte finns någon valbar text. Maskinen avkoda inte dessa bilder (det är där OCR skulle börja) och rapporterar sidnumren i kvalitetsrapporten, innan du betalar för något.
När skanningen har ett textlager behandlar motorn det som vilken annan text som helst. Den kan inte veta att texten kom från en gammal OCR-pass, så resultatet är bara lika bra som den OCR.
Vad man ska göra med en scannad bok idag
Kör OCR först med ett verktyg du litar på, sedan konvertera resultatet; eller behåll PDF. OCR är planerad som en separat väg; denna sida kommer att ändras när den finns.
Källa och licens
- Dokument
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Licens
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Sidor
- 212
- Egenskaper
- skannad, OCR-lager, bok, kapitel, illustrationer
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).
Använda inställningar
- Motor: EpubCC motor vid commit 3b74b26, den binära som genererade bilderna och provet (2026-11-04).
- Sidor: hela dokumentet för figurerna; sidor 20–21 för bilderna och exemplet EPUB.
- Benchmark siffror: den publicerade körningen av 2026-11-03 (motorcommit c953279).
- Alternativ: inga. Motorn har inga per-dokument-inställningar ännu; samma standardinställningar gäller för varje fil.
Validering och resultat
EPUBCheck EPUBCheck på vår EPUB: 0 fel, 0 varningar.
EPUBCheck 5.4.0 på den nedladdningsbara provet: 0 fel, 0 varningar (kontrollerat 2026-11-04).
- Sidor
- 212
- Tid
- 0.87 s
- Maxminne
- 284 MB
- Sidor utelämnades som skanningar
- 14
- Kapitel
- 132 (falska rubriker från OCR-lagret)
Kvalitetsvarningar som motorn visade:
- 14 sidor ser ut att vara skannade (en helsidesbild och ingen valbar text) och lämnas ut: 1, 3–8, 10, 14, 16, 209–212. OCR konvertering är inte tillgänglig än.
| Motor | 8-gram återkallande |
|---|---|
| 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 |
Begränsningar vi observerat
- Ingen OCR: sidor som bara är en bild lämnas utanför EPUB, och rapporten listar dem (14 här: omslag, plattor och bibliotekssidor).
- OCR-fel i PDF kopieras, inte korrigeras: «MAKMALADE» för MARMALADE, «I Ve» för I’ve.
- Ord som OCR placerade på en något annan baslinje blir upphöjda, och kapitelöppningar med drop caps ger falska rubriker (132 «kapitel» istället för 12).
- PDFium (0.651), pdf_oxide (0.632) och OpenDataLoader (0.625) återhämtar mer av denna OCR-text än vår motor (0.513).
- Referensen är en annan utgåva (Project Gutenberg, 1865): bra för minnet, inte för exakt precision.