EpubCCTaranmış bir PDF'yi dönüştürme: bugün ne elde edersiniz
Güncellendi:
Zaten bir OCR katmanına sahip olan bir tarama, o gizli metinden, hatalarıyla birlikte dönüştürülmektedir; EpubCC'nin kendine ait OCR sadece metin içermeyen taranmış sayfalarda çalışır. 1867'deki Alice taraması, eski katmanı üzerinden okunduğunda 8-gram hatırlama 0.513, PDFium'nın (0.651) ve pdf_oxide'nin (0.632) altında kalmaktadır.
PDF dosyanızı ücretsiz indirin ve bölümlerini, paragraflarını ve notlarını kontrol edin.
Orijinal ve sonuç
Bir fotoğraflanmış 1867 kitabı: her sayfa bir görüntü, tarama projesi tarafından eklenen görünmez bir OCR metin katmanı var. OCR yanlış okunan kelimeler, kesilmiş satırlar ve metnin ortasında illüstrasyon başlıkları var.
Kaynak PDF indir Örnek EPUB indir
Tarayıcı veya değil: motorun nasıl karar verdiği
Bir sayfa, tüm sayfayı kaplayan bir görüntü olduğunda ve seçilebilir metin yoksa taranmış olarak sayılır. Motor, o görüntüleri çözümlemez (bu yerden OCR başlar) ve sayfa numaralarını kalitenin raporunda bildirir, herhangi bir şey için ödeme yapmadan önce.
Taramanın bir metin katmanı olduğunda, motor bunu herhangi bir diğer metin gibi işler. Metnin eski bir OCR geçişinden geldiğini bilmez, bu nedenle sonuç sadece o OCR kadar iyi olur.
Bugün taranmış bir kitapla ne yapmak gerekir?
İlk önce güvendiğiniz bir araçla OCR'yi çalıştırın, ardından sonucu dönüştürün; yoksa PDF'yi saklayın. OCR ayrı bir yol olarak planlanmıştır; mevcut olduğunda bu sayfa değişecektir.
Kaynak ve lisans
- Belge
- Alice's Adventures in Wonderland, 1867 printing (scan, Internet Archive)
- Lisans
- Public domain (1867; University of Toronto scan on the Internet Archive)
- Sayfalar
- 212
- Özellikler
- taranmış, OCR katmanı, kitap, bölümler, illüstrasyonlar
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).
Kullanılan ayarlar
- Motor: EpubCC motoru, 3b74b26 commitinde, görüntüleri ve örneği üreten ikili (2026-11-04).
- Sayfalar: figürler için tüm belge; resimler ve örnek EPUB için sayfalar 20–21.
- Karşılaştırma verileri: 2026-11-03 tarihli yayımlanan deneme (motor komiti c953279).
- Seçenekler: yok. Motorun henüz belge başına ayarları yok; aynı varsayılanlar her dosyaya uygulanır.
Doğrulama ve sonuçlar
EPUBCheck EPUB'deki EPUBCheck: 0 hata, 0 uyarı.
EPUBCheck 5.4.0 indirilebilir örnekte: 0 hata, 0 uyarı (kontrol edildi 2026-11-04).
- Sayfalar
- 212
- Zaman
- 0.87 s
- Zirve bellek
- 284 MB
- Tarama olarak atlanan sayfalar.
- 14
- Bölümler
- 132 (OCR katmanından yanlış başlıklar)
Motorun gösterdiği kalite uyarıları:
- 14 sayfa taranmış gibi görünüyor (tam sayfa görüntü ve seçilebilir metin yok) ve hariç tutulmuştur: 1, 3–8, 10, 14, 16, 209–212. OCR dönüşümü henüz mevcut değil.
| Motor | 8-gram geri çağırma |
|---|---|
| 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 |
Gözlemlediğimiz sınırlamalar
- OCR yok: sadece bir görüntü olan sayfalar EPUB'den çıkarılır ve rapor bunları listeler (burada 14: kapaklar, plakalar ve kütüphane sayfaları).
- OCR hataları PDF içinde kopyalanır, düzeltilmez: «MAKMALADE» MARMALADE yerine, «I Ve» ise I've yerine.
- OCR'yi hafifçe farklı bir temel hattında yerleştirilmiş kelimeler, üst simgeler haline gelir ve damla büyük harflerle açılan bölümler yanlış başlıklar üretir (132 «bölüm» yerine 12).
- PDFium (0.651), pdf_oxide (0.632) ve OpenDataLoader (0.625) bu OCR metninin daha fazlasını kurtarır, motorumuz (0.513) ile karşılaştırıldığında.
- Referans farklı bir baskıdır (Project Gutenberg, 1865): hatırlama için iyi, ancak kesinlik için değil.