EpubCCText, který obklopuje obrázek: tam, kde se motor rozpadá
Aktualizováno:
Když odstavec obklopuje plovoucí obrázek, engine EpubCC si obrázek ponechá, ale odstavec přeruší: úzké řádky vedle obrázku se stanou samostatnými jednovětnými odstavci a popis může skončit uvnitř věty. Na anglickém článku Wikipedie pdf_oxide dosahuje 8-gramové zpětné shody 0.800 oproti našemu 0.761.
Původní a výsledek
Obrázky vyplovány vlevo nebo vpravo s popisky, a text těla se kolem nich obtáčí ve užším sloupci na několik řádků, poté se vrací na plnou šířku.
Stáhnout zdroj PDF Stáhnout ukázku EPUB
Proč se to stává
Stroj hledá sloupce tím, že se dívá na vertikální mezeru, která běží plnou výškou oblasti s alespoň dvěma řádky na každé straně. Plovoucí obrázek s textem vedle něj vypadá přesně takto: úzký sloupec textu vedle sloupce, který obsahuje obrázek a jeho popis.
Rozpoznání obcházení (úzký běh řádků, který pokračuje na plnou šířku pod obrázkem) je na seznamu; do té doby zobrazujeme výsledek tak, jak je.
Zdroj a licence
- Dokument
- Wikipedia (English): Alice's Adventures in Wonderland
- Licence
- CC BY-SA 4.0 (text); images under their own licences
- Stránky
- 24
- Vlastnosti
- text PDF, jediný sloupec, obrázky, Angličtina
Wikipedia contributors, “Alice's Adventures in Wonderland”, English Wikipedia, PDF from the Wikimedia REST API; text licensed CC BY-SA 4.0, images under their own licences (the Tenniel illustrations are in the public domain). The EPUB is our conversion, under the same licence.
Použité nastavení
- Motor: EpubCC motor na commitu 3b74b26, binární soubor, který vygeneroval obrázky a vzor (2026-11-04).
- Strany: celý dokument pro obrázky; strany 8–9 pro obrázky a ukázkový EPUB.
- Kontrolní hodnoty: publikovaná spuštění 2026-11-03 (komit enginu c953279).
- Možnosti: žádné. Engine zatím nemá nastavení pro každý dokument; stejné výchozí hodnoty platí pro každý soubor.
Ověření a výsledky
EPUBCheck EPUBCheck na našem EPUB: 0 chyby, 0 upozornění.
EPUBCheck 5.4.0 na stažitelné ukázce: 0 chyb, 0 varování (zkontrolováno 2026-11-04).
- Stránky
- 24
- Čas
- 0.55 s
- Procentuální kódování mezer jako %20 a jiných rezervovaných znaků, a používejte lomítka vpřed.
- 48 MB
- Obrázky uchovány
- 20
- Kapitoly
- 14, z nadpisů článku
- Upozornění na kvalitu
- žádný
| Stroj | 8-gramová recall |
|---|---|
| EpubCC engine (EPUB output) | 0.778 |
| EpubCC engine (plain text) | 0.771 |
| pdf_oxide · extract_text | 0.800 |
| pdf_oxide · to_plain_text (XY-cut) | 0.800 |
| pdf_oxide · Markdown | 0.672 |
| PDFium · text().all() | 0.774 |
| OpenDataLoader PDF (local mode) | 0.781 |
| pdftotext (Poppler) | 0.769 |
| Calibre · ebook-convert (EPUB output) | 0.763 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.778 |
Omezení, která jsme pozorovali
- Řádky vedle plovoucího obrázku se stanou odstavci o jedné řádce: mezera mezi obrázkem a textem je čtena jako zlomek sloupce.
- Obrázek je umístěn tam, kde začíná jeho oblast, což může být uprostřed věty.
- Titulky mohou být prokládány s textem těla řádek po řádku (v tomto článku: «Stránka z rukopisu» mezi dvěma půlkami věty).
- pdf_oxide extract_text (0.800), OpenDataLoader (0.781) a PDFium (0.774) mají vyšší 8-gram recall než náš engine (0.761) na tomto dokumentu.