EpubCCConversia unui PDF spaniol la EPUB
Actualizat:
Textul spaniol se convertește curat atunci când PDF are text Unicode real: accente, ñ, citate «» și semne de întrebare inversate ¿? trec netouched și EPUB este marcat ca fiind spaniol. Pe un articol de 50 de pagini de Wikipedia în spaniolă, recall-ul nostru de 8 grame este 0.941, sub pdf_oxide's 0.963.
Original și rezultat
Litere accentuate, ñ, «» și “” ghilimele, semne de întrebare și exclamare inversate, linii de dialog și apeluri de referință în superscript, setate în text justificat.
Descarcă sursa PDF Descarcă eșantionul EPUB
Ce face motorul cu textul în limba spaniolă?
Motorul citește caracterele pe care PDF le stochează și le păstrează așa cum sunt: á, é, í, ó, ú, ü, ñ, «», ¿ și ¡ nu necesită o tratare specială atunci când PDF are o hartă Unicode. Ligaturile (fi, fl) sunt normalizate în litere obișnuite doar în interiorul blocurilor în care apar.
Limba cărții este detectată din script și cuvinte comune (de, la, que, el…) și scrisă în EPUB ca es, astfel aplicațiile de citire aleg dublarea și dicționarele spaniole.
Ce arată exemplul?
Pagini 8 și 9 ale articolului: paragrafe simple cu «» și “” citate, nume accentuate și două apeluri de referință. Paragraful care se extinde de la pagina 8 la pagina 9 este unit într-unul singur.
Sursă și licență
- Document
- Wikipedia (Spanish): Don Quijote de la Mancha
- Licență
- CC BY-SA 4.0 (text); images under their own licences
- Pagini
- 50
- Trăsături
- text PDF, o coloană, imagini, Spaniolă
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.
Setări utilizate
- Motor: EpubCC motor la commit 3b74b26, binary-ul care a generat imaginile și exemplul (2026-11-04).
- Pagini: întregul document pentru figuri; paginile 8–9 pentru imagini și exemplarul EPUB.
- Figuri de benchmarking: rularea publicată din 2026-11-03 (commit-ul motorului c953279).
- Opțiuni: niciuna. Motorul nu are încă setări per document; aceleași valori implicite se aplică fiecărui fișier.
Validare și rezultate
EPUBCheck EPUBCheck pe EPUB: 0 erori, 0 avertizări.
EPUBCheck 5.4.0 pe mostra descărcabilă: 0 erori, 0 avertizări (verificată pe 2026-11-04).
- Pagini
- 50
- Timp
- 1.4 s
- Memorie maximă
- 66 MB
- Limbaj detectat
- es
- Capitole
- 13, din titlurile articolului
- Imagini păstrate
- 46
- Alerte de calitate
- niciunul
| Motor | recall 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 |
Limitări observate
- pdf_oxide extract_text (0.963) și OpenDataLoader (0.954) au un recall de 8-gram mai mare decât motorul nostru (0.941) pe acest document.
- În exemplu, o linie cu un superscript «[cita requerida]» a fost împărțită în trei: «VI duque», apoi «y», apoi «de Béjar grande de España». Cuvintele sunt toate acolo, dar în dezordine.
- Imaginile care plutesc lângă text întrerup paragraful pe care îl întrerup (vezi cazul textului în jurul imaginilor); paginile arătate aici nu au niciuna.
- Referințele Wikipedia omit tabelele și infoboxurile, așa că precizia este scăzută pentru fiecare motor.