EpubCCKonverze španělského PDF na EPUB
Aktualizováno:
Španělský text se převádí čistě, když má PDF skutečný Unicode text: akcenty, ñ, «» uvozovky a obrácené ¿? značky zůstávají nezměněny a EPUB je označeno jako španělský. U 50stránkového článku na španělské Wikipedii je naše 8-gramová recall 0.941, pod pdf_oxide's 0.963.
Původní a výsledek
Akcentované písmena, ñ, «» a “” uvozovky, obrácené otazníky a vykřičníky, dialogové pomlčky a poznámkovými výzvami, nastavené v zarovnaném textu.
Stáhnout zdroj PDF Stáhnout ukázku EPUB
Co engine dělá se španělským textem
Stroj čte znaky, které PDF ukládá, a uchovává je v takovém stavu, v jakém jsou: á, é, í, ó, ú, ü, ñ, «», ¿ a ¡ nevyžadují žádné zvláštní zacházení, když má PDF mapu Unicode. Ligatury (fi, fl) jsou normalizovány na obyčejná písmena pouze uvnitř bloků, kde se objevují.
Jazyk knihy je detekován podle skriptu a běžných slov (de, la, que, el…) a je napsán do EPUB jako es, takže čtecí aplikace vybírají španělské dělení slov a slovníky.
Co ukazuje vzorek
Strany složené pouze z malého textu, jako jsou koncové poznámky, jsou zachovány jako normální odstavce.
Zdroj a licence
- Dokument
- Wikipedia (Spanish): Don Quijote de la Mancha
- Licence
- CC BY-SA 4.0 (text); images under their own licences
- Stránky
- 50
- Vlastnosti
- text PDF, jediný sloupec, obrázky, Španělština
Wikipedia contributors, “Don Quijote de la Mancha”, Spanish Wikipedia, PDF from the Wikimedia REST API; text licensed CC BY-SA 4.0, images under their own licences. Pages shown unmodified; the EPUB is our conversion, under the same licence.
Použité nastavení
- Motor: EpubCC motor na commitu 3b74b26, binární soubor, který vygeneroval obrázky a vzor (2026-11-04).
- Strany: celý dokument pro obrázky; stránky 8–9 pro obrázky a vzor EPUB.
- Kontrolní hodnoty: publikovaná spuštění 2026-11-03 (komit enginu c953279).
- Možnosti: žádné. Engine zatím nemá nastavení pro každý dokument; stejné výchozí hodnoty platí pro každý soubor.
Ověření a výsledky
EPUBCheck EPUBCheck na našem EPUB: 0 chyby, 0 upozornění.
EPUBCheck 5.4.0 na stažitelné ukázce: 0 chyb, 0 varování (zkontrolováno 2026-11-04).
- Stránky
- 50
- Čas
- 1.4 s
- Procentuální kódování mezer jako %20 a jiných rezervovaných znaků, a používejte lomítka vpřed.
- 66 MB
- Jazyk detekován
- es
- Kapitoly
- 13, z nadpisů článku
- Obrázky uchovány
- 46
- Upozornění na kvalitu
- žádný
| Stroj | 8-gramová recall |
|---|---|
| EpubCC engine (EPUB output) | 0.956 |
| EpubCC engine (plain text) | 0.942 |
| pdf_oxide · extract_text | 0.963 |
| pdf_oxide · to_plain_text (XY-cut) | 0.963 |
| pdf_oxide · Markdown | 0.857 |
| PDFium · text().all() | 0.945 |
| OpenDataLoader PDF (local mode) | 0.954 |
| pdftotext (Poppler) | 0.944 |
| Calibre · ebook-convert (EPUB output) | 0.938 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.956 |
Omezení, která jsme pozorovali
- pdf_oxide extract_text (0.963) a OpenDataLoader (0.954) mají vyšší 8-gram recall než náš engine (0.941) na tomto dokumentu.
- V ukázce byla řádka s exponentem «[cita requerida]» rozdělena na tři části: «VI duque», pak «y», pak «de Béjar grande de España». Slova jsou všechna tam, ale v jiném pořadí.
- Obrázky, které plavou vedle textu, přerušují odstavec, který přerušují (viz případ textu obtočeného kolem obrázků); stránky ukázané zde žádné nemají.
- Odkazy z Wikipedie vynechávají tabulky a infoboxy, takže přesnost je nízká pro každý systém.