EpubCCTekst die om een afbeelding heen loopt: waar de engine breekt
Bijgewerkt:
Wanneer een alinea rond een zwevende afbeelding stroomt, behoudt de EpubCC-engine de afbeelding maar breekt de alinea: de smalle regels naast de afbeelding worden aparte een-regelige alinea's, en het bijschrift kan in een zin belanden. Bij een artikel op de Engelse Wikipedia bereikt pdf_oxide een 8-gram recall van 0.800 tegen onze 0.761.
Origineel en resultaat
Afbeeldingen links of rechts zwevend met bijschriften, en de hoofdtekst die eromheen loopt in een smallere kolom voor een paar regels, waarna hij terugkeert naar volle breedte.
Download bron PDF Download het voorbeeld EPUB
Waarom het gebeurt
De engine vindt kolommen door te zoeken naar een verticale ruimte die de volledige hoogte van een gebied beslaat met aan elke kant minstens twee regels. Een zwevende afbeelding met tekst ernaast ziet eruit als dat: een smalle kolom tekst naast een kolom die de afbeelding en de bijschrift bevat.
Herkennen van wrap-around (een smalle reeks regels die onder de afbeelding doorgaat met volledige breedte) staat op de lijst; tot die tijd tonen we het resultaat zoals het is.
Bron en licentie
- Document
- Wikipedia (English): Alice's Adventures in Wonderland
- Licentie
- CC BY-SA 4.0 (text); images under their own licences
- Pagina's
- 24
- Eigenschappen
- tekst PDF, één kolom, afbeeldingen, Engels
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.
Gebruikte instellingen
- Engine: EpubCC engine bij commit 3b74b26, het binaire dat de afbeeldingen en de sample heeft gegenereerd (2026-11-04).
- Pagina's: het hele document voor de figuren; pagina's 4–5 voor de afbeeldingen en het voorbeeld EPUB.
- Benchmarkcijfers: de gepubliceerde run van 2026-11-03 (engine commit c953279).
- Opties: geen. De engine heeft nog geen instellingen per document; dezelfde standaardinstellingen zijn van toepassing op elk bestand.
Validatie en resultaten
EPUBCheck EPUBCheck op onze EPUB: 0 fouten, 0 waarschuwingen.
EPUBCheck 5.4.0 op het downloadbare monster: 0 fouten, 0 waarschuwingen (gecontroleerd 2026-11-04).
- Pagina's
- 24
- Tijd
- 0.55 s
- Piekgeheugen
- 48 MB
- Afbeeldingen bewaard
- 20
- Hoofdstukken
- 14, van de koppen van het artikel
- Kwaliteitswaarschuwingen
- geen
| Motor | 8-gram herinnering |
|---|---|
| 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 |
Beperkingen die we hebben waargenomen
- Lijnen naast een zwevende afbeelding worden eenregel alinea's: de ruimte tussen de afbeelding en de tekst wordt gelezen als een kolomafbreking.
- De afbeelding is geplaatst waar zijn regio begint, wat midden in een zin kan zijn.
- Bijschriften kunnen regel voor regel met de hoofdtekst worden afgewisseld (in dit artikel: «Pagina uit het manuscript van» tussen twee helften van een zin).
- pdf_oxide extract_text (0.800), OpenDataLoader (0.781) en PDFium (0.774) hebben een hogere 8-gram recall dan onze engine (0.761) op dit document.