EpubCCMuuntaminen espanjalaisesta PDF:sta EPUB:ksi
Päivitetty:
Espanjan teksti muuntuu puhtaasti, kun PDF sisältää oikeaa Unicode-tekstiä: aksentteja, ñ, «» lainausmerkkejä ja käänteisiä ¿? merkkejä tulee läpi muuttumattomina ja EPUB on merkitty espanjaksi. 50-sivuisessa espanjalaisessa Wikipedia-artikkelissa 8-gramin palautusprosenttimme on 0.941, alle pdf_oxide'n 0.963.
Alkuperäinen ja tulos
Korostetut kirjaimet, ñ, «» ja “” lainausmerkit, kääntyneet kysymys- ja huutomerkki, dialogi-viivat ja ykköskirjaimet viittaukset, oikeutettuna tekstiin.
Lataa lähde PDF Lataa näyte EPUB
Mitä moottori tekee espanjalaisen tekstin kanssa
Moottori lukee PDF:n tallentamat merkit ja säilyttää ne sellaisina kuin ne ovat: á, é, í, ó, ú, ü, ñ, «», ¿ ja ¡ eivät tarvitse erityistä käsittelyä, kun PDF:ssä on Unicode-kartta. Ligatuurit (fi, fl) normalisoidaan pelkiksi kirjaimiksi vain niissä lohkoissa, joissa ne esiintyvät.
Kirjan kieli havaitaan käsikirjoituksesta ja yleisistä sanoista (de, la, que, el…) ja se kirjoitetaan EPUB:iin muodossa es, jotta lukusovellukset valitsevat espanjankielisen tavutuksen ja sanastot.
Mitä esimerkki näyttää
Sivut 8 ja 9 artikkelista: tavalliset kappaleet, joissa on «» ja “” lainauksia, aksentteja sisältäviä nimiä ja kaksi viittaussoittoa. Kappale, joka kulkee sivulta 8 sivulle 9, on yhdistetty yhdeksi.
Lähde ja lisenssi
- Dokumentti
- Wikipedia (Spanish): Don Quijote de la Mancha
- Lisenssi
- CC BY-SA 4.0 (text); images under their own licences
- Sivut
- 50
- Ominaisuudet
- teksti PDF, yksi sarake, kuvat, Espanja
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.
Käytetyt asetukset
- Moottori: EpubCC moottori commitissa 3b74b26, binääri, joka tuotti kuvat ja näytekappaleen (2026-11-04).
- Sivut: koko asiakirja kuvien osalta; sivut 8–9 kuvien ja näytteen EPUB osalta.
- Vertailuluvut: julkaistu suoritus 2026-11-03 (moottorin sitoumus c953279).
- Valinnat: ei mitään. Moottorilla ei vielä ole asiakirjakohtaisia asetuksia; samat oletusasetukset pätevät kaikkiin tiedostoihin.
Validointi ja tulokset
EPUBCheck EPUBCheck meidän EPUB: 0 virheitä, 0 varoituksia.
EPUBCheck 5.4.0 ladattavasta näytteestä: 0 virhettä, 0 varoitusta (tarkistettu 2026-11-04).
- Sivut
- 50
- Aika
- 1.4 s
- Huippumuisti
- 66 MB
- Kieli havaittu
- es
- Luvut
- 13, artikkelin otsikoista
- Kuvat säilytetään.
- 46
- Laatuvaroitukset
- ei mitään
| Moottori | 8-grammin muistaminen |
|---|---|
| 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 |
Havaittuja rajoituksia
- pdf_oxide extract_text (0.963) ja OpenDataLoader (0.954) saavat korkeamman 8-grammuiston kuin moottorimme (0.941) tässä asiakirjassa.
- Esimerkissä rivi, jolla on yläindeksi «[cita requerida]», on jaettu kolmeen osaan: «VI duque», sitten «y», sitten «de Béjar grande de España». Kaikki sanat ovat siellä, mutta järjestyksessä ei ole.
- Kuvat, jotka kelluvat tekstin vieressä, katkaisevat keskeyttämänsä kappaleen (katso tekstiin käärittyjen kuvien tapa); täällä esitetyt sivut eivät sisältäneet niitä.
- Wikipedia-viitteet jättävät pois taulukot ja infoboksit, joten tarkkuus on alhainen kaikille moottoreille.