EpubCCTekst som omgir et bilde: der motoren bryter
Oppdatert:
Når et avsnitt flyter rundt et flytende bilde, beholder EpubCC motoren bildet men bryter avsnittet: de smale linjene ved siden av bildet blir separate en-linjers avsnitt, og bildeteksten kan havne inne i en setning. I en engelsk Wikipedia-artikkel oppnår pdf_oxide en 8-gram tilbakekalling av 0.800 mot vår 0.761.
Opprinnelig og resultat
Bilder flytende til venstre eller høyre med bildetekster, og brødtekst som omslutter dem i en smalere kolonne i noen linjer, før de går tilbake til full bredde.
Last ned kilde PDF Last ned prøven EPUB
Hvorfor det skjer
Motoren finner kolonner ved å se etter en vertikal åpning som strekker seg over hele høyden på et område med minst to linjer på hver side. Et flytende bilde med tekst ved siden ser akkurat slik ut: en smal tekstkolonne ved siden av en kolonne som holder bildet og bildeteksten.
Å gjenkjenne wrap-around (en smal linjesekvens som fortsetter med full bredde under bildet) står på listen; inntil da viser vi resultatet som det er.
Kilde og lisens
- Dokument
- Wikipedia (English): Alice's Adventures in Wonderland
- Lisens
- CC BY-SA 4.0 (text); images under their own licences
- Sider
- 24
- Egenskaper
- tekst PDF, én kolonne, bilder, Engelsk
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.
Innstillinger brukt
- Motor: EpubCC motor ved commit 3b74b26, binæren som genererte bildene og eksempelet (2026-11-04).
- Sider: hele dokumentet for figurene; sider 4–5 for bildene og prøve EPUB.
- Benchmarkfigurer: det publiserte løpet fra 2026-11-03 (motorforpliktelse c953279).
- Alternativer: ingen. Motoren har enda ingen dokumentinnstillinger; de samme standardene gjelder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vår EPUB: 0 feil, 0 advarsler.
EPUBCheck 5.4.0 på den nedlastbare prøven: 0 feil, 0 advarsler (sjekket 2026-11-04).
- Sider
- 24
- Tid
- 0.55 s
- Maksimal minne
- 48 MB
- Bilder beholdt
- 20
- Kapitler
- 14, fra artikkelens overskrifter
- Kvalitetsvarsler
- ingen
| Motor | 8-gram tilbakekalling |
|---|---|
| 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 |
Begrensninger vi observerte
- Linjer ved siden av et flytende bilde blir en-linje avsnitt: gapet mellom bildet og teksten leses som et kolonnebrudd.
- Bildet er plassert der regionen starter, noe som kan være midt i en setning.
- Bildetekster kan veves inn med brødteksten linje for linje (i denne artikkelen: «Side fra manuskriptet til» mellom to deler av en setning).
- pdf_oxide extract_text (0.800), OpenDataLoader (0.781) og PDFium (0.774) har en høyere 8-gram recall enn vår motor (0.761) på dette dokumentet.