EpubCCTexto que envolve uma imagem: onde o mecanismo quebra
Atualizado:
Quando um parágrafo flui ao redor de uma imagem flutuante, o mecanismo EpubCC mantém a imagem, mas quebra o parágrafo: as linhas estreitas ao lado da imagem tornam-se parágrafos separados de uma linha, e a legenda pode cair dentro de uma frase. Em um artigo da Wikipedia em inglês, pdf_oxide alcança um recall de 8 gramas de 0.800 em comparação com nosso 0.761.
Original e resultado
Imagens flutuadas à esquerda ou à direita com legendas, e o texto do corpo se ajustando ao redor delas em uma coluna mais estreita por algumas linhas, depois retornando à largura total.
Baixar fonte PDF Baixar a amostra EPUB
Por que isso acontece
O mecanismo encontra colunas procurando uma lacuna vertical que percorre a altura total de uma região com pelo menos duas linhas de cada lado. Uma imagem flutuante com texto ao lado parece exatamente assim: uma coluna estreita de texto ao lado de uma coluna que contém a imagem e sua legenda.
Reconhecer a continuação (uma sequência estreita de linhas que continua em largura total abaixo da imagem) está na lista; até lá, mostramos o resultado como está.
Fonte e licença
- Documento
- Wikipedia (English): Alice's Adventures in Wonderland
- Licença
- CC BY-SA 4.0 (text); images under their own licences
- Páginas
- 24
- Características
- texto PDF, uma coluna, imagens, Inglês
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.
Configurações usadas
- Engine: EpubCC engine no commit 3b74b26, o binário que gerou as imagens e o exemplo (2026-11-04).
- Páginas: o documento completo para as figuras; páginas 4–5 para as imagens e a amostra EPUB.
- Figuras de referência: a execução publicada de 2026-11-03 (compromisso do mecanismo c953279).
- Opções: nenhuma. O motor ainda não tem configurações por documento; os mesmos padrões se aplicam a todos os arquivos.
Validação e resultados
EPUBCheck EPUBCheck em nosso EPUB: 0 erros, 0 avisos.
EPUBCheck 5.4.0 na amostra disponível para download: 0 erros, 0 avisos (verificado em 2026-11-04).
- Páginas
- 24
- Tempo
- 0.55 s
- Memória máxima
- 48 MB
- Imagens mantidas
- 20
- Capítulos
- 14, dos cabeçalhos do artigo
- Advertências de qualidade
- nenhum
| Motor | Recuperação de 8-grama |
|---|---|
| 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 |
Limitações que observamos
- Linhas ao lado de uma imagem flutuante tornam-se parágrafos de uma linha: o espaço entre a imagem e o texto é lido como uma quebra de coluna.
- A imagem é colocada onde sua região começa, o que pode ser no meio de uma frase.
- As legendas podem ser intercaladas com o texto do corpo linha por linha (neste artigo: «Página do manuscrito de» entre duas metades de uma frase).
- pdf_oxide extract_text (0.800), OpenDataLoader (0.781) e PDFium (0.774) têm uma recuperação de 8-grama mais alta do que nosso mecanismo (0.761) neste documento.