EpubCCConversion d'un PDF espagnol en EPUB
Mis à jour :
Le texte espagnol se convertit proprement lorsque le PDF contient un véritable texte Unicode : les accents, ñ, les guillemets «» et les marques inversées ¿? passent sans changement et le EPUB est étiqueté comme espagnol. Sur un article de 50 pages de Wikipédia en espagnol, notre rappel à 8 grammes est 0.941, en dessous de pdf_oxide's 0.963.
Original et résultat
Lettres accentuées, ñ, «» et “” guillemets, points d'interrogation et d'exclamation inversés, tirets de dialogue et appels de référence en exposant, définis dans un texte justifié.
Télécharger la source PDF Télécharger l'échantillon EPUB
Ce que le moteur fait avec le texte espagnol
Le moteur lit les caractères que le PDF stocke et les conserve tels quels : á, é, í, ó, ú, ü, ñ, «», ¿ et ¡ ne nécessitent aucun traitement spécial lorsque le PDF a une carte Unicode. Les ligatures (fi, fl) sont normalisées en lettres simples uniquement à l'intérieur des blocs où elles apparaissent.
La langue du livre est détectée à partir du script et des mots courants (de, la, que, el…) et écrite dans le EPUB comme es, donc les applications de lecture prennent la coupure et les dictionnaires espagnols.
Ce que l'échantillon montre
Pages 8 et 9 de l'article : paragraphes simples avec «» et “” citations, noms accentués et deux appels de référence. Le paragraphe qui court de la page 8 à la page 9 est rassemblé en un.
Source et licence
- Document
- Wikipedia (Spanish): Don Quijote de la Mancha
- Licence
- CC BY-SA 4.0 (text); images under their own licences
- Pages
- 50
- Caractéristiques
- texte PDF, une colonne, images, Espagnol
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.
Paramètres utilisés
- Moteur : EpubCC moteur à l'engagement 3b74b26, le binaire qui a généré les images et l'échantillon (2026-11-04).
- Pages : le document entier pour les figures ; pages 8–9 pour les images et l'échantillon EPUB.
- Chiffres de référence : l'exécution publiée du 2026-11-03 (commit de moteur c953279).
- Options : aucune. Le moteur n'a pas encore de paramètres par document ; les mêmes valeurs par défaut s'appliquent à chaque fichier.
Validation et résultats
EPUBCheck EPUBCheck sur notre EPUB : 0 erreurs, 0 avertissements.
EPUBCheck 5.4.0 sur l'exemple téléchargeable : 0 erreurs, 0 avertissements (vérifié le 2026-11-04).
- Pages
- 50
- Temps
- 1.4 s
- Mémoire peak
- 66 MB
- Langue détectée
- es
- Chapitres
- 13, provenant des titres de l'article
- Images conservées
- 46
- Avertissements de qualité
- aucun
| Moteur | rappel 8-gram |
|---|---|
| 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 |
Limitations observées
- pdf_oxide extract_text (0.963) et OpenDataLoader (0.954) ont un rappel de 8-grammes plus élevé que notre moteur (0.941) sur ce document.
- Dans l'exemple, une ligne avec une note de bas de page «[cita requerida]» a été divisée en trois : «VI duque», puis «y», puis «de Béjar grande de España». Les mots sont tous là mais en désordre.
- Les images qui flottent à côté du texte interrompent le paragraphe qu'elles coupent (voir le cas des images entourées de texte) ; les pages montrées ici n'en ont pas.
- Les références de Wikipedia omettent les tableaux et les infobox, donc la précision est faible pour chaque moteur.