EpubCCConvirtiendo un artículo de dos columnas a EPUB
Actualizado:
Los documentos de dos columnas se rompen cuando un convertidor lee directamente a través de ambas columnas. En el documento OLMo (arXiv, CC BY 4.0) el motor EpubCC mantiene las columnas separadas, pero la extracción de pdf_oxide obtiene mejores resultados en continuidad para este documento.
Original y resultado
Dos columnas por página, tablas, figuras y notas al pie. Leer a través del espacio entre columnas mezcla dos oraciones no relacionadas en cada línea.
Descargar fuente PDF Descargar la muestra EPUB
Fuente y licencia
- Documento
- OLMo paper (arXiv 2402.00838)
- Licencia
- CC BY 4.0
- Páginas
- 21
- Características
- texto PDF, dos columnas, tablas, notas al pie, figuras, artículo académico
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.
Configuraciones utilizadas
- Motor: EpubCC motor, compilación del 2026-11-03 (el que se midió en el benchmark).
- Páginas: todo el documento.
- Opciones: ninguna. El motor no tiene configuraciones por documento aún; los mismos valores predeterminados se aplican a cada archivo.
Validación y resultados
EPUBCheck EPUBCheck en nuestro EPUB: 0 errores, 0 advertencias.
| Motor | recuperación de 8-gramas |
|---|---|
| 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 |
Limitaciones que observamos
- pdf_oxide extract_text tiene un recordatorio de 8-gramas más alto que nuestro motor en este documento.
- Las tablas se escriben como texto en orden de lectura; no se reconstruyen como tablas.