EpubCCKonvertering af en EU-forordning (spansk udgave) til EPUB
Opdateret:
En EU-forordning i Den Officielle Tidende konverterer godt for løbende tekst: på den 144-siders spanske udgave af AI-loven fjernede EpubCC motoren hver løbende overskrift, byggede et kapitel per artikel fra PDF skitsen og nåede en 4-gram præcision på 0.982. Nogle nummererede punkter er adskilt fra deres tekst, og andre motorer genopretter lidt mere sammenhængende tekst.
Original og resultat
Et langt juridisk dokument på spansk: recitals nummereret (1) til (180), artikler med nummererede paragrafer og bogstaverede punkter, en løbende header med referencen til De Officielle Journal på hver side og bilag.
Download kilde PDF Download prøve EPUB
Hvor resultatet er godt
Hver side gentager sprogkoden, den officielle journal-reference og sidetallet. Motoren registrerer dem ved at sammenligne sider og fjerner dem alle (margin lækage 0.000 mod 0.753 for pdf_oxide extract_text og 1.000 for PDFium).
PDF oversigt lister hver artikel, så hver artikel bliver et kapitel med sin egen titel («Definiciones», «Prácticas de IA prohibidas»…), og læserens indholdsfortegnelse kan springe til nogen af dem. Sproget er detekteret som es.
Hvor det ikke er
Juridiske tekster indstiller deres paragrafnumre med hængende indeksering. Når to eller flere på hinanden følgende numre er i den hængende indrykning, kan motoren læse dem som en separat kolonne og skrive numrene adskilt fra deres tekst. Ordene er der alle; parringen går tabt. Det samme sker i britiske love, hvilket er grunden til, at vi endnu ikke har publiceret en britisk sag.
Kilde og licens
- Dokument
- EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex)
- Licens
- Reuse authorised, including commercial (Decision 2011/833/EU; EUR-Lex legal notice), © European Union
- Sider
- 144
- Egenskaber
- tekst PDF, én kolonne, gentagne overskrifter, kapitler, Spansk, juridisk tekst
Regulation (EU) 2024/1689 (Artificial Intelligence Act), Spanish edition, Official Journal of the European Union, L series, 12 July 2024, ELI http://data.europa.eu/eli/reg/2024/1689/oj. © European Union, https://eur-lex.europa.eu, 1998-2026. Reused under Decision 2011/833/EU; only the Official Journal edition is authentic. The EPUB is our conversion.
Brugte indstillinger
- Motor: EpubCC motor ved commit 3b74b26, den binære der genererede billederne og prøven (2026-11-04).
- Sider: hele dokumentet for figurerne; siderne 46-47 for billederne og prøven EPUB.
- Benchmark tal: en kørsel fra 2026-11-04 med den samme binære, hver engine på hele dokumentet; dette dokument er ikke endnu en del af det offentliggjorte benchmark.
- Muligheder: ingen. Motoren har endnu ingen per-dokument indstillinger; de samme standardindstillinger gælder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vores EPUB: 0 fejl, 0 advarsler.
EPUBCheck 5.4.0 på det downloadable prøver: 0 fejl, 0 advarsler (kontrolleret 2026-11-04).
- Sider
- 144
- Tid
- 0.53 s
- Maksimal hukommelse
- 27 MB
- Sprog detekteret
- es
- Kapitler
- 125, en pr. artikel, fra PDF-oversigten
- Kørende overskrifter fjernet
- 401
- 4-gram præcision
- 0.982 (pdf_oxide 0.965, OpenDataLoader 0.994)
- Kvalitetsadvarsler
- ingen
| Motor | 8-gram tilbagekaldelse |
|---|---|
| EpubCC engine (EPUB output) | 0.988 |
| EpubCC engine (plain text) | 0.983 |
| pdf_oxide · extract_text | 0.988 |
| pdf_oxide · to_plain_text (XY-cut) | 0.988 |
| pdf_oxide · Markdown | 0.988 |
| PDFium · text().all() | 0.989 |
| OpenDataLoader PDF (local mode) | 0.996 |
| pdftotext (Poppler) | 0.986 |
| Calibre · ebook-convert (EPUB output) | 0.987 |
| EpubCC engine (EPUB, same extractor as Calibre) | 0.988 |
Begrænsninger vi har observeret
- Nummererede punkter kan komme løs fra deres tekst: i definitionerne blev «2)», «3)» og «4)» til afsnit for sig, efterfulgt af de tre definitioner; i overvejelserne skete det samme for «(156)» og «(157)». De hængende numre læses som en smal kolonne.
- Bogens titel er PDF's metadata titel, som er den fulde officielle titel (omkring 400 tegn) med «Texto pertinente a efectos del EEE» klistret til den.
- Et kapitel per artikel giver 125 kapitler; indholdsfortegnelsen er lang, men følger PDF skitsen.
- PDFium (0.989), pdf_oxide (0.988) og OpenDataLoader (0.996) har en højere 8-gram tilbagekaldelse end vores motor (0.974) på dette dokument.