EpubCCText care se învârte în jurul unei imagini: locul unde motorul se oprește
Actualizat:
Când un paragraf curge în jurul unei imagini flotante, motorul EpubCC păstrează imaginea dar rupe paragraful: liniile înguste de lângă imagine devin paragrafe separate de o linie, iar legenda poate ajunge în interiorul unei propoziții. Pe un articol Wikipedia în engleză, pdf_oxide atinge un recall de 8-gram pentru 0.800 față de 0.761.
Original și rezultat
Imaginile plasați la stânga sau dreapta cu subtitrări, iar textul corpului în jurul lor într-o coloană mai îngustă pentru câteva linii, apoi reîntorcându-se la lățimea completă.
Descarcă sursa PDF Descarcă eșantionul EPUB
De ce se întâmplă asta
Motorul găsește coloanele căutând un spațiu vertical care se întinde pe întreaga înălțime a unei regiuni cu cel puțin două linii pe fiecare parte. O imagine flotantă cu text lângă ea arată exact așa: o coloană îngustă de text lângă o coloană care deține imaginea și legenda acesteia.
Recunoașterea învăluirii (o bandă îngustă de linii care continuă pe întreaga lățime sub imagine) este pe listă; până atunci arătăm rezultatul așa cum este.
Sursă și licență
- Document
- Wikipedia (English): Alice's Adventures in Wonderland
- Licență
- CC BY-SA 4.0 (text); images under their own licences
- Pagini
- 24
- Trăsături
- text PDF, o coloană, imagini, Engleză
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.
Setări utilizate
- Motor: EpubCC motor la commit 3b74b26, binary-ul care a generat imaginile și exemplul (2026-11-04).
- Pagini: întregul document pentru figuri; paginile 4–5 pentru imagini și exemplarul EPUB.
- Figuri de benchmarking: rularea publicată din 2026-11-03 (commit-ul motorului c953279).
- Opțiuni: niciuna. Motorul nu are încă setări per document; aceleași valori implicite se aplică fiecărui fișier.
Validare și rezultate
EPUBCheck EPUBCheck pe EPUB: 0 erori, 0 avertizări.
EPUBCheck 5.4.0 pe mostra descărcabilă: 0 erori, 0 avertizări (verificată pe 2026-11-04).
- Pagini
- 24
- Timp
- 0.55 s
- Memorie maximă
- 48 MB
- Imagini păstrate
- 20
- Capitole
- 14, din titlurile articolului
- Alerte de calitate
- niciunul
| Motor | recall 8-gram |
|---|---|
| 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 |
Limitări observate
- Liniile de lângă o imagine flotantă devin paragrafe de o singură linie: spațiul dintre imagine și text este citit ca o rupere de coloană.
- Imaginea este plasată acolo unde începe regiunea sa, ceea ce poate fi în mijlocul unei propoziții.
- Subtitrările pot fi intercalate cu textul principal pe rânduri (în acest articol: «Pagini din manuscrisul lui» între două jumătăți de propoziție).
- pdf_oxide extract_text (0.800), OpenDataLoader (0.781) și PDFium (0.774) au un recall de 8-gram mai mare decât motorul nostru (0.761) pe acest document.