EpubCCEen Spaanse PDF naar EPUB converteren
Bijgewerkt:
Spaanse tekst converteert schoon wanneer de PDF echte Unicode-tekst heeft: accenten, ñ, «» aanhalingstekens en omgekeerde ¿? tekens blijven onveranderd en de EPUB is getagd als Spaans. Op een 50 pagina's tellend Spaans Wikipedia-artikel is onze 8-gram recall 0.941, onder pdf_oxide's 0.963.
Origineel en resultaat
Geaccentueerde letters, ñ, «» en “” aanhalingstekens, omgekeerde vraag- en uitroeptekens, dialoogstreepjes en superscript verwijzingen, ingesteld in uitgelijnde tekst.
Download bron PDF Download het voorbeeld EPUB
Wat de engine doet met Spaanse tekst
De engine leest de tekens die de PDF opslaat en behoudt ze zoals ze zijn: á, é, í, ó, ú, ü, ñ, «», ¿ en ¡ hebben geen speciale behandeling nodig wanneer de PDF een Unicode-kaart heeft. Ligaturen (fi, fl) worden genormaliseerd tot gewone letters alleen binnen de blokken waar ze verschijnen.
De taal van het boek wordt gedetecteerd op basis van het script en veelvoorkomende woorden (de, la, que, el…) en geschreven naar de EPUB als es, zodat lees-apps Spaanse afbreking en woordenboeken gebruiken.
Wat het voorbeeld toont
Pagina's 8 en 9 van het artikel: eenvoudige paragrafen met «» en “” citaten, geaccentueerde namen en twee referentie-aanroepen. De paragraaf die van pagina 8 naar pagina 9 loopt, is samengevoegd tot één.
Bron en licentie
- Document
- Wikipedia (Spanish): Don Quijote de la Mancha
- Licentie
- CC BY-SA 4.0 (text); images under their own licences
- Pagina's
- 50
- Eigenschappen
- tekst PDF, één kolom, afbeeldingen, Spaans
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.
Gebruikte instellingen
- Engine: EpubCC engine bij commit 3b74b26, het binaire dat de afbeeldingen en de sample heeft gegenereerd (2026-11-04).
- Pagina's: het hele document voor de figuren; pagina's 8–9 voor de afbeeldingen en het voorbeeld EPUB.
- Benchmarkcijfers: de gepubliceerde run van 2026-11-03 (engine commit c953279).
- Opties: geen. De engine heeft nog geen instellingen per document; dezelfde standaardinstellingen zijn van toepassing op elk bestand.
Validatie en resultaten
EPUBCheck EPUBCheck op onze EPUB: 0 fouten, 0 waarschuwingen.
EPUBCheck 5.4.0 op het downloadbare monster: 0 fouten, 0 waarschuwingen (gecontroleerd 2026-11-04).
- Pagina's
- 50
- Tijd
- 1.4 s
- Piekgeheugen
- 66 MB
- Taal gedetecteerd
- es
- Hoofdstukken
- 13, van de koppen van het artikel
- Afbeeldingen bewaard
- 46
- Kwaliteitswaarschuwingen
- geen
| Motor | 8-gram herinnering |
|---|---|
| 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 |
Beperkingen die we hebben waargenomen
- pdf_oxide extract_text (0.963) en OpenDataLoader (0.954) hebben een hogere 8-gram recall dan onze engine (0.941) op dit document.
- In het voorbeeld werd een regel met een superscript «[cita requerida]» in drieën gesplitst: «VI duque», daarna «y», daarna «de Béjar grande de España». De woorden zijn er allemaal, maar in de verkeerde volgorde.
- Afbeeldingen die naast de tekst zweven, breken de alinea die ze onderbreken (zie het geval van tekst die om afbeeldingen gewikkeld is); de pagina's die hier getoond worden hebben er geen.
- Wikipedia-referenties laten tabellen en infoboxen weg, waardoor de precisie laag is voor elke engine.