EpubCCKonvertering af en spansk PDF til EPUB
Opdateret:
Spansk tekst konverteres korrekt, når PDF har rigtig Unicode tekst: accenter, ñ, «» citationstegn og inverterede ¿? tegn kommer gennem uændret, og EPUB er mærket som spansk. På en 50-side spansk Wikipedia-artikel er vores 8-gram tilbagekaldelse 0.941, under pdf_oxide's 0.963.
Original og resultat
Accenterede bogstaver, ñ, «» og “” citater, inverterede spørgsmål og udråbstegn, dialogbindestreger og hævet referencenummer, sat i retfærdig tekst.
Download kilde PDF Download prøve EPUB
Hvad motoren gør med spansk tekst
Motoren læser de tegn, som PDF gemmer, og beholder dem som de er: á, é, í, ó, ú, ü, ñ, «», ¿ og ¡ kræver ingen særlig håndtering, når PDF har et Unicode-kort. Ligaturer (fi, fl) normaliseres til enkle bogstaver kun inden for de blokke, hvor de optræder.
Bogens sprog registreres fra skriptet og almindelige ord (de, la, que, el…) og skrives til EPUB som es, så læse-apps vælger spansk bindestreg og ordbøger.
Hvad prøven viser
Siderne 8 og 9 af artiklen: almindelige afsnit med «» og “” citater, navne med accenter og to referenceopkald. Afsnittet, der løber fra side 8 til side 9, er sammenflettet til ét.
Kilde og licens
- Dokument
- Wikipedia (Spanish): Don Quijote de la Mancha
- Licens
- CC BY-SA 4.0 (text); images under their own licences
- Sider
- 50
- Egenskaber
- tekst PDF, én kolonne, billeder, Spansk
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.
Brugte indstillinger
- Motor: EpubCC motor ved commit 3b74b26, den binære der genererede billederne og prøven (2026-11-04).
- Sider: hele dokumentet for figurerne; siderne 8-9 for billederne og prøven EPUB.
- Benchmark tal: den offentliggjorte kørsel fra 2026-11-03 (engine commit c953279).
- Muligheder: ingen. Motoren har endnu ingen per-dokument indstillinger; de samme standardindstillinger gælder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vores EPUB: 0 fejl, 0 advarsler.
EPUBCheck 5.4.0 på det downloadable prøver: 0 fejl, 0 advarsler (kontrolleret 2026-11-04).
- Sider
- 50
- Tid
- 1.4 s
- Maksimal hukommelse
- 66 MB
- Sprog detekteret
- es
- Kapitler
- 13, fra artikeloverskrifterne
- Billeder beholdt
- 46
- Kvalitetsadvarsler
- ingen
| Motor | 8-gram tilbagekaldelse |
|---|---|
| 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 |
Begrænsninger vi har observeret
- pdf_oxide extract_text (0.963) og OpenDataLoader (0.954) har en højere 8-gram tilbagekaldelse end vores motor (0.941) på dette dokument.
- I prøven blev en linje med en hævet skrift «[cita requerida]» delt i tre: «VI duque», derefter «y», derefter «de Béjar grande de España». Ordene er alle der, men ude af rækkefølge.
- Billeder, der svømmer ved siden af teksten, bryder det afsnit, de underbryder (se teksten omkring billeder); de viste sider har ingen.
- Wikipedia-referencer undlader tabeller og infobokse, så præcisionen er lav for hver motor.