EpubCCEen twee-kolom paper naar EPUB converteren
Bijgewerkt:
Twee-kolom documenten breken wanneer een converter recht over beide kolommen leest. Op het OLMo-document (arXiv, CC BY 4.0) houdt de EpubCC-engine de kolommen gescheiden, maar pdf_oxide's extract_text scoort hoger op continuïteit voor dit document.
Origineel en resultaat
Twee kolommen per pagina, tabellen, afbeeldingen en voetnoten. Lezen over de kolomruimte mengt twee niet-gerelateerde zinnen op elke regel.
Download bron PDF Download het voorbeeld EPUB
Bron en licentie
- Document
- OLMo paper (arXiv 2402.00838)
- Licentie
- CC BY 4.0
- Pagina's
- 21
- Eigenschappen
- tekst PDF, twee kolommen, tabellen, voetnoten, figuren, academisch paper
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.
Gebruikte instellingen
- Engine: EpubCC engine, build van 2026-11-03 (degene die in de benchmark is gemeten).
- Pagina's: het hele document.
- Opties: geen. De engine heeft nog geen instellingen per document; dezelfde standaardinstellingen zijn van toepassing op elk bestand.
Validatie en resultaten
EPUBCheck EPUBCheck op onze EPUB: 0 fouten, 0 waarschuwingen.
| Motor | 8-gram herinnering |
|---|---|
| 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 |
Beperkingen die we hebben waargenomen
- pdf_oxide extract_text heeft een hogere 8-gram recall dan onze engine op dit document.
- Tabellen zijn geschreven als tekst in leesvolgorde; ze worden niet opnieuw opgebouwd als tabellen.