EpubCCConversion d'un document à deux colonnes en EPUB
Mis à jour :
Les documents à deux colonnes se cassent lorsqu'un convertisseur lit directement à travers les deux colonnes. Sur le papier OLMo (arXiv, CC BY 4.0), le moteur EpubCC maintient les colonnes séparées, mais l'extraction de pdf_oxide obtient un meilleur score de continuité pour ce document.
Original et résultat
Deux colonnes par page, tableaux, figures et notes de bas de page. Lire à travers l'écart des colonnes mélange deux phrases sans lien à chaque ligne.
Télécharger la source PDF Télécharger l'échantillon EPUB
Source et licence
- Document
- OLMo paper (arXiv 2402.00838)
- Licence
- CC BY 4.0
- Pages
- 21
- Caractéristiques
- texte PDF, deux colonnes, tableaux, notes de bas de page, figures, article académique
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.
Paramètres utilisés
- Moteur : EpubCC moteur, version du 2026-11-03 (celui mesuré dans le benchmark).
- Pages : le document entier.
- Options : aucune. Le moteur n'a pas encore de paramètres par document ; les mêmes valeurs par défaut s'appliquent à chaque fichier.
Validation et résultats
EPUBCheck EPUBCheck sur notre EPUB : 0 erreurs, 0 avertissements.
| Moteur | rappel 8-gram |
|---|---|
| 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 |
Limitations observées
- pdf_oxide extract_text a un rappel de 8-grammes plus élevé que notre moteur sur ce document.
- Les tableaux sont écrits en tant que texte dans l'ordre de lecture ; ils ne sont pas reconstruits en tableaux.