EpubCCKonvertierung eines zweiseitigen Papiers zu EPUB
Aktualisiert:
Zweispaltige Arbeiten brechen, wenn ein Konverter gerade über beide Spalten liest. Beim OLMo-Papier (arXiv, CC BY 4.0) hält die EpubCC-Engine die Spalten auseinander, aber pdf_oxide's extract_text erzielt bei diesem Dokument höhere Punktzahlen für Kontinuität.
Original und Ergebnis
Zwei Spalten pro Seite, Tabellen, Abbildungen und Fußnoten. Das Lesen über die Spaltenlücke vermischt zwei nicht verwandte Sätze in jeder Zeile.
Quell-PDF herunterladen Laden Sie das Muster EPUB herunter
Quelle und Lizenz
- Dokument
- OLMo paper (arXiv 2402.00838)
- Lizenz
- CC BY 4.0
- Seiten
- 21
- Eigenschaften
- Text PDF, zwei Spalten, Tabellen, Fußnoten, Abbildungen, wissenschaftliche Arbeit
Groeneveld et al., “OLMo: Accelerating the Science of Language Models”, arXiv:2402.00838v4, licensed CC BY 4.0. Pages shown unmodified; the EPUB is our conversion.
Verwendete Einstellungen
- Engine: EpubCC Engine, Build vom 2026-11-03 (die, die im Benchmark gemessen wurde).
- Seiten: das gesamte Dokument.
- Optionen: keine. Die Engine hat noch keine dokumentenspezifischen Einstellungen; dieselben Standardwerte gelten für jede Datei.
Validierung und Ergebnisse
EPUBCheck EPUBCheck auf unserem EPUB: 0 Fehler, 0 Warnungen.
| Motor | 8-Gramm-Rückruf |
|---|---|
| EpubCC engine (EPUB output) | 0.893 |
| EpubCC engine (plain text) | 0.891 |
| pdf_oxide · extract_text | 0.854 |
| pdf_oxide · to_plain_text (XY-cut) | 0.273 |
| pdf_oxide · Markdown | 0.719 |
| PDFium · text().all() | 0.761 |
| OpenDataLoader PDF (local mode) | 0.820 |
| pdftotext (Poppler) | 0.781 |
| Calibre · ebook-convert (EPUB output) | 0.640 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.892 |
Beobachtete Einschränkungen
- pdf_oxide extract_text hat eine höhere 8-Gramm-Rückrufquote als unsere Engine in diesem Dokument.
- Tabellen werden als Text in Lesereihenfolge geschrieben; sie werden nicht als Tabellen neu aufgebaut.