EpubCCConvertendo um artigo de duas colunas para EPUB
Atualizado:
Artigos em duas colunas quebram quando um conversor lê diretamente através de ambas as colunas. No artigo OLMo (arXiv, CC BY 4.0) o motor EpubCC mantém as colunas separadas, mas pdf_oxide's extract_text tem pontuações mais altas em continuidade para este documento.
Original e resultado
Duas colunas por página, tabelas, figuras e notas de rodapé. Ler através da lacuna da coluna mistura duas frases não relacionadas em cada linha.
Baixar fonte PDF Baixar a amostra EPUB
Fonte e licença
- Documento
- OLMo paper (arXiv 2402.00838)
- Licença
- CC BY 4.0
- Páginas
- 21
- Características
- texto PDF, duas colunas, tabelas, notas de rodapé, figuras, artigo acadêmico
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.
Configurações usadas
- Engine: EpubCC engine, build de 2026-11-03 (o que foi medido no benchmark).
- Páginas: o documento completo.
- Opções: nenhuma. O motor ainda não tem configurações por documento; os mesmos padrões se aplicam a todos os arquivos.
Validação e resultados
EPUBCheck EPUBCheck em nosso EPUB: 0 erros, 0 avisos.
| Motor | Recuperação de 8-grama |
|---|---|
| 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 |
Limitações que observamos
- pdf_oxide extract_text tem uma recuperação de 8-grama mais alta do que nosso mecanismo neste documento.
- Tabelas são escritas como texto na ordem de leitura; não são reconstruídas como tabelas.