EpubCCConvirtiendo un PDF español a EPUB
Actualizado:
El texto en español se convierte correctamente cuando el PDF tiene texto Unicode real: acentos, ñ, citas «» y signos invertidos ¿? pasan sin cambios y el EPUB está etiquetado como español. En un artículo de Wikipedia en español de 50 páginas, nuestro recall de 8 gramos es 0.941, por debajo de pdf_oxide's 0.963.
Original y resultado
Letras acentuadas, ñ, «» y comillas “”, signos de interrogación y exclamación invertidos, guiones de diálogo y llamadas de referencia en superíndice, establecidos en texto justificado.
Descargar fuente PDF Descargar la muestra EPUB
¿Qué hace el motor con texto en español?
El motor lee los caracteres que el PDF almacena y los mantiene tal como son: á, é, í, ó, ú, ü, ñ, «», ¿ y ¡ no necesitan manejo especial cuando el PDF tiene un mapa Unicode. Las ligaduras (fi, fl) se normalizan a letras simples solo dentro de los bloques donde aparecen.
El idioma del libro se detecta a partir del guion y palabras comunes (de, la, que, el…) y se escribe en el EPUB como es, para que las aplicaciones de lectura utilicen la segmentación silábica y diccionarios en español.
¿Qué muestra la muestra?
Páginas 8 y 9 del artículo: párrafos simples con «» y “” citas, nombres acentuados y dos llamadas de referencia. El párrafo que va de la página 8 a la página 9 está unido en uno solo.
Fuente y licencia
- Documento
- Wikipedia (Spanish): Don Quijote de la Mancha
- Licencia
- CC BY-SA 4.0 (text); images under their own licences
- Páginas
- 50
- Características
- texto PDF, una columna, imágenes, Español
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.
Configuraciones utilizadas
- Motor: EpubCC motor en commit 3b74b26, el binario que generó las imágenes y la muestra (2026-11-04).
- Páginas: todo el documento para las figuras; páginas 8–9 para las imágenes y la muestra EPUB.
- Cifras de referencia: la ejecución publicada del 2026-11-03 (compromiso del motor c953279).
- Opciones: ninguna. El motor no tiene configuraciones por documento aún; los mismos valores predeterminados se aplican a cada archivo.
Validación y resultados
EPUBCheck EPUBCheck en nuestro EPUB: 0 errores, 0 advertencias.
EPUBCheck 5.4.0 en la muestra descargable: 0 errores, 0 advertencias (verificado el 2026-11-04).
- Páginas
- 50
- Tiempo
- 1.4 s
- Memoria máxima
- 66 MB
- Idioma detectado
- es
- Capítulos
- 13, de los encabezados del artículo
- Imágenes mantenidas
- 46
- Advertencias de calidad
- ninguno
| Motor | recuperación de 8-gramas |
|---|---|
| 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 |
Limitaciones que observamos
- pdf_oxide extract_text (0.963) y OpenDataLoader (0.954) tienen un recordatorio de 8-gramas más alto que nuestro motor (0.941) en este documento.
- En la muestra, una línea con un superíndice «[cita requerida]» se dividió en tres: «VI duque», luego «y», luego «de Béjar grande de España». Las palabras están todas ahí, pero desordenadas.
- Las imágenes que flotan al lado del texto interrumpen el párrafo que interrumpen (ver el caso de texto envuelto alrededor de imágenes); las páginas mostradas aquí no tienen ninguna.
- Las referencias de Wikipedia omiten tablas e infoboxes, por lo que la precisión es baja para todos los motores.