EpubCCKonvertierung eines spanischen PDF zu EPUB
Aktualisiert:
Spanischer Text wird sauber konvertiert, wenn die PDF echten Unicode-Text enthält: Akzente, ñ, «» Anführungszeichen und umgekehrte ¿? Zeichen bleiben unverändert und die EPUB wird als Spanisch gekennzeichnet. Bei einem 50-seitigen spanischen Wikipedia-Artikel liegt unser 8-gramm Abgleich bei 0.941, unter pdf_oxide's 0.963.
Original und Ergebnis
Akzentuierte Buchstaben, ñ, «» und “” Anführungszeichen, invertierte Frage- und Ausrufzeichen, Dialogstriche und hochgestellte Referenzaufrufe, in blockierten Text gesetzt.
Quell-PDF herunterladen Laden Sie das Muster EPUB herunter
Was die Engine mit spanischem Text macht.
Die Engine liest die Zeichen, die die PDF speichert und hält sie so, wie sie sind: á, é, í, ó, ú, ü, ñ, «», ¿ und ¡ benötigen keine spezielle Behandlung, wenn die PDF eine Unicode-Karte hat. Ligaturen (fi, fl) werden nur innerhalb der Blöcke, in denen sie erscheinen, in einfache Buchstaben normalisiert.
Die Buchsprache wird aus dem Skript und gängigen Wörtern (de, la, que, el…) erkannt und als es in die EPUB geschrieben, sodass Lese-Apps spanische Silbentrennung und Wörterbücher auswählen.
Was das Muster zeigt.
Seiten 8 und 9 des Artikels: einfache Absätze mit «» und “” Zitaten, akzentuierten Namen und zwei Referenzaufrufen. Der Absatz, der von Seite 8 bis Seite 9 geht, wird zu einem zusammengeschlossen.
Quelle und Lizenz
- Dokument
- Wikipedia (Spanish): Don Quijote de la Mancha
- Lizenz
- CC BY-SA 4.0 (text); images under their own licences
- Seiten
- 50
- Eigenschaften
- Text PDF, eine Spalte, Bilder, Spanisch
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.
Verwendete Einstellungen
- Engine: EpubCC Engine bei Commit 3b74b26, das Binärformat, das die Bilder und das Beispiel erzeugt hat (2026-11-04).
- Seiten: das gesamte Dokument für die Abbildungen; Seiten 8–9 für die Bilder und das Beispiel EPUB.
- Benchmark-Zahlen: der veröffentlichte Lauf vom 2026-11-03 (Engine-Commit c953279).
- Optionen: keine. Die Engine hat noch keine dokumentenspezifischen Einstellungen; dieselben Standardwerte gelten für jede Datei.
Validierung und Ergebnisse
EPUBCheck EPUBCheck auf unserem EPUB: 0 Fehler, 0 Warnungen.
EPUBCheck 5.4.0 über das herunterladbare Beispiel: 0 Fehler, 0 Warnungen (überprüft am 2026-11-04).
- Seiten
- 50
- Zeit
- 1.4 s
- Maximaler Speicher
- 66 MB
- Sprache erkannt
- es
- Kapitel
- 13, aus den Überschriften des Artikels
- Bilder beibehalten
- 46
- Qualitätswarnungen
- keine
| Motor | 8-Gramm-Rückruf |
|---|---|
| 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 |
Beobachtete Einschränkungen
- pdf_oxide extract_text (0.963) und OpenDataLoader (0.954) haben eine höhere 8-Gramm-Rückrufquote als unsere Engine (0.941) in diesem Dokument.
- Im Beispiel wurde eine Zeile mit einem hochgestellten «[cita requerida]» in drei Teile aufgespalten: «VI duque», dann «y», dann «de Béjar grande de España». Die Worte sind alle da, aber außer der Reihenfolge.
- Bilder, die neben dem Text schwimmen, unterbrechen den Absatz, den sie stören (siehe den Fall von umflossenen Bildern); die hier gezeigten Seiten haben keine.
- Wikipedia-Referenzen lassen Tabellen und Infoboxen weg, sodass die Genauigkeit für jede Engine niedrig ist.