EpubCCConvertendo um PDF espanhol para EPUB
Atualizado:
Texto em espanhol é convertido de forma limpa quando o PDF tem texto Unicode real: acentos, ñ, «» aspas e os sinais invertidos ¿? permanecem inalterados e o EPUB é marcado como espanhol. Em um artigo da Wikipedia em espanhol de 50 páginas, nossa recuperação de 8 gramas é 0.941, abaixo de pdf_oxide's 0.963.
Original e resultado
Letras acentuadas, ñ, «» e “” aspas, sinais de pergunta e exclamação invertidos, travessões de diálogo e chamadas de referência em sobrescrito, configuradas em texto justificado.
Baixar fonte PDF Baixar a amostra EPUB
O que o mecanismo faz com texto em espanhol
O mecanismo lê os caracteres que o PDF armazena e os mantém como estão: á, é, í, ó, ú, ü, ñ, «», ¿ e ¡ não precisam de tratamento especial quando o PDF tem um mapa Unicode. Ligaduras (fi, fl) são normalizadas para letras simples apenas dentro dos blocos onde aparecem.
A língua do livro é detectada a partir do roteiro e palavras comuns (de, la, que, el…) e escrita no EPUB como es, para que os aplicativos de leitura utilizem a hifenização e os dicionários em espanhol.
O que a amostra mostra
Páginas 8 e 9 do artigo: parágrafos simples com «» e “” citações, nomes acentuados e duas chamadas de referência. O parágrafo que vai da página 8 para a página 9 é unido em um.
Fonte e licença
- Documento
- Wikipedia (Spanish): Don Quijote de la Mancha
- Licença
- CC BY-SA 4.0 (text); images under their own licences
- Páginas
- 50
- Características
- texto PDF, uma coluna, imagens, Espanhol
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.
Configurações usadas
- Engine: EpubCC engine no commit 3b74b26, o binário que gerou as imagens e o exemplo (2026-11-04).
- Páginas: o documento completo para as figuras; páginas 8–9 para as imagens e a amostra EPUB.
- Figuras de referência: a execução publicada de 2026-11-03 (compromisso do mecanismo c953279).
- Opções: nenhuma. O motor ainda não tem configurações por documento; os mesmos padrões se aplicam a todos os arquivos.
Validação e resultados
EPUBCheck EPUBCheck em nosso EPUB: 0 erros, 0 avisos.
EPUBCheck 5.4.0 na amostra disponível para download: 0 erros, 0 avisos (verificado em 2026-11-04).
- Páginas
- 50
- Tempo
- 1.4 s
- Memória máxima
- 66 MB
- Idioma detectado
- es
- Capítulos
- 13, dos cabeçalhos do artigo
- Imagens mantidas
- 46
- Advertências de qualidade
- nenhum
| Motor | Recuperação de 8-grama |
|---|---|
| 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 |
Limitações que observamos
- pdf_oxide extract_text (0.963) e OpenDataLoader (0.954) têm uma recuperação de 8-grama mais alta do que nosso mecanismo (0.941) neste documento.
- No exemplo, uma linha com um sobrescrito «[cita requerida]» foi dividida em três: «VI duque», depois «y», depois «de Béjar grande de Espanha». As palavras estão todas lá, mas fora de ordem.
- Imagens que flutuam ao lado do texto quebram o parágrafo que interrompem (veja o caso de texto envolto em torno de imagens); as páginas mostradas aqui não têm nenhuma.
- As referências da Wikipedia deixam de fora tabelas e infoboxes, então a precisão é baixa para todo motor.