EpubCCKonvertera en spansk PDF till EPUB
Uppdaterad:
Spanskt text konverteras tydligt när PDF har verklig Unicode-text: accenter, ñ, «» citat och omvända ¿? tecken kvarstår oförändrade och EPUB är markerad som spanska. På en 50-sidig spansk Wikipedia-artikel är vårt 8-gram återkallande 0.941, under pdf_oxide's 0.963.
Original och resultat
Accenterade bokstäver, ñ, «» och “” citat, inverterade fråga- och utropstecken, dialogbindestreck och fotnotreferenser, ställda i justerad text.
Ladda ner källan PDF Ladda ner provet EPUB
Vad motorn gör med spansk text
Motorn läser tecknen som PDF lagrar och behåller dem som de är: á, é, í, ó, ú, ü, ñ, «», ¿ och ¡ behöver ingen speciell hantering när PDF har en Unicode-karta. Ligaturer (fi, fl) normaliseras till vanliga bokstäver endast inuti de block där de förekommer.
Bokens språk upptäcks från skript och vanliga ord (de, la, que, el…) och skrivs till EPUB som es, så läsappar plockar upp spansk bindning och ordböcker.
Vad provet visar
Sidorna 8 och 9 av artikeln: vanliga stycken med «» och “” citat, namn med accenter och två referensanrop. Stycket som går från sida 8 till sida 9 är sammanfogat till ett.
Källa och licens
- Dokument
- Wikipedia (Spanish): Don Quijote de la Mancha
- Licens
- CC BY-SA 4.0 (text); images under their own licences
- Sidor
- 50
- Egenskaper
- text PDF, en kolumn, bilder, Spanska
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.
Använda inställningar
- Motor: EpubCC motor vid commit 3b74b26, den binära som genererade bilderna och provet (2026-11-04).
- Sidor: hela dokumentet för figurerna; sidor 8–9 för bilderna och exemplet EPUB.
- Benchmark siffror: den publicerade körningen av 2026-11-03 (motorcommit c953279).
- Alternativ: inga. Motorn har inga per-dokument-inställningar ännu; samma standardinställningar gäller för varje fil.
Validering och resultat
EPUBCheck EPUBCheck på vår EPUB: 0 fel, 0 varningar.
EPUBCheck 5.4.0 på den nedladdningsbara provet: 0 fel, 0 varningar (kontrollerat 2026-11-04).
- Sidor
- 50
- Tid
- 1.4 s
- Maxminne
- 66 MB
- Språk upptäckt
- es
- Kapitel
- 13, från artikelns rubriker
- Bilder som behålls
- 46
- Kvalitetsvarningar
- ingen
| Motor | 8-gram återkallande |
|---|---|
| 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 |
Begränsningar vi observerat
- pdf_oxide extract_text (0.963) och OpenDataLoader (0.954) har en högre 8-gram återkallning än vår motor (0.941) på detta dokument.
- I exemplet delades en rad med en upphöjt «[cita requerida]» i tre: «VI duque», sedan «y», sedan «de Béjar grande de España». Orden finns alla där men i fel ordning.
- Bilder som flyter bredvid texten bryter stycket de avbryter (se fallet med text som svänger runt bilder); sidorna som visas här har inga.
- Wikipedia-referenser lämnar ut tabeller och infoboxar, så precisionen är låg för varje motor.