EpubCCKonvertering av en spansk PDF til EPUB
Oppdatert:
Spansk tekst konverteres rent når PDF har ekte Unicode-tekst: aksenter, ñ, «» anførselstegn og inverterte ¿? merker går gjennom uendret, og EPUB er merket som spansk. I en 50-siders spansk Wikipedia-artikkel er vår 8-grams gjenkallingsrate 0.941, under pdf_oxide's 0.963.
Opprinnelig og resultat
Akentete bokstaver, ñ, «» og “” sitater, inverterte spørsmål og utropstegn, dialog-dash og eksponentielle referansesamtaler, satt i justert tekst.
Last ned kilde PDF Last ned prøven EPUB
Hva motoren gjør med spansk tekst
Motoren leser tegnene som PDF lagrer og beholder dem som de er: á, é, í, ó, ú, ü, ñ, «», ¿ og ¡ trenger ingen spesiell behandling når PDF har et Unicode-kart. Ligaturer (fi, fl) normaliseres til vanlige bokstaver bare inne i blokkene der de vises.
Bokens språk oppdages fra skript og vanlige ord (de, la, que, el…) og skrives til EPUB som es, slik at leseapper velger spansk ordtrengning og ordbøker.
Hva prøven viser
Sider 8 og 9 av artikkelen: enkle avsnitt med «» og “” sitater, aksentuerte navn og to referansesamtaler. Avsnittet som går fra side 8 til side 9 er slått sammen til ett.
Kilde og lisens
- Dokument
- Wikipedia (Spanish): Don Quijote de la Mancha
- Lisens
- CC BY-SA 4.0 (text); images under their own licences
- Sider
- 50
- Egenskaper
- tekst PDF, én kolonne, bilder, Spansk
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.
Innstillinger brukt
- Motor: EpubCC motor ved commit 3b74b26, binæren som genererte bildene og eksempelet (2026-11-04).
- Sider: hele dokumentet for figurene; sider 8–9 for bildene og prøve EPUB.
- Benchmarkfigurer: det publiserte løpet fra 2026-11-03 (motorforpliktelse c953279).
- Alternativer: ingen. Motoren har enda ingen dokumentinnstillinger; de samme standardene gjelder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vår EPUB: 0 feil, 0 advarsler.
EPUBCheck 5.4.0 på den nedlastbare prøven: 0 feil, 0 advarsler (sjekket 2026-11-04).
- Sider
- 50
- Tid
- 1.4 s
- Maksimal minne
- 66 MB
- Språk oppdaget
- es
- Kapitler
- 13, fra artikkelens overskrifter
- Bilder beholdt
- 46
- Kvalitetsvarsler
- ingen
| Motor | 8-gram tilbakekalling |
|---|---|
| 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 |
Begrensninger vi observerte
- pdf_oxide extract_text (0.963) og OpenDataLoader (0.954) har en høyere 8-gram recall enn vår motor (0.941) på dette dokumentet.
- I eksemplet ble en linje med et hevet «[cita requerida]» delt i tre: «VI duque», så «y», så «de Béjar grande de España». Ordene er alle der, men ut av rekkefølge.
- Bilder som flyter ved siden av teksten bryter avsnittet de avbryter (se tilfellet med tekst som er omsluttet av bilder); sidene som vises her har ingen.
- Wikipedia-referanser utelater tabeller og infobokser, så presisjonen er lav for hver motor.