EpubCCConvirtiendo una regulación de la UE (edición en español) a EPUB
Actualizado:
Una regulación de la UE en el Diario Oficial se convierte bien para texto corrido: en la edición española de 144 páginas de la Ley de IA, el motor EpubCC eliminó cada encabezado en línea, construyó un capítulo por artículo a partir del esquema PDF y alcanzó una precisión de 4-gramas de 0.982. Algunos puntos numerados se separan de su texto, y otros motores recuperan un texto ligeramente más continuo.
Original y resultado
Un largo acto legal en español: considerandos numerados (1) a (180), artículos con párrafos numerados y puntos etiquetados, un encabezado en ejecución con la referencia del Diario Oficial en cada página, y anexos.
Descargar fuente PDF Descargar la muestra EPUB
Donde el resultado es bueno
Cada página repite el código de idioma, la referencia del Diario Oficial y el número de página. El motor los detecta comparando páginas y los elimina todos (fuga de márgenes 0.000 contra 0.753 para pdf_oxide extract_text y 1.000 para PDFium).
El PDF esquema enumera cada artículo, por lo que cada artículo se convierte en un capítulo con su propio título («Definiciones», «Prácticas de IA prohibidas»…), y la tabla de contenido del lector puede saltar a cualquiera de ellos. El idioma se detecta como es.
Donde no lo es
Los textos legales establecen sus números de párrafo en una sangría colgante. Cuando dos o más números consecutivos se encuentran en esa sangría, el motor puede leerlos como una columna separada y escribir los números aparte de su texto. Las palabras están todas allí; el emparejamiento se pierde. Lo mismo sucede en Actos del Reino Unido, por eso aún no hemos publicado un caso del Reino Unido.
Fuente y licencia
- Documento
- EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex)
- Licencia
- Reuse authorised, including commercial (Decision 2011/833/EU; EUR-Lex legal notice), © European Union
- Páginas
- 144
- Características
- texto PDF, una columna, encabezados repetidos, capítulos, Español, texto legal
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.
Configuraciones utilizadas
- Motor: EpubCC motor en commit 3b74b26, el binario que generó las imágenes y la muestra (2026-11-04).
- Páginas: todo el documento para las figuras; páginas 46–47 para las imágenes y la muestra EPUB.
- Cifras de referencia: una ejecución del 2026-11-04 con el mismo binario, cada motor sobre todo el documento; este documento aún no forma parte de la referencia publicada.
- 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.
EPUBCheck 5.4.0 en la muestra descargable: 0 errores, 0 advertencias (verificado el 2026-11-04).
- Páginas
- 144
- Tiempo
- 0.53 s
- Memoria máxima
- 27 MB
- Idioma detectado
- es
- Capítulos
- 125, uno por artículo, del esquema de PDF
- Encabezados en ejecución eliminados
- 401
- precisión de 4-gramas
- 0.982 (pdf_oxide 0.965, OpenDataLoader 0.994)
- Advertencias de calidad
- ninguno
| Motor | recuperación de 8-gramas |
|---|---|
| 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 |
Limitaciones que observamos
- Los puntos numerados pueden desprenderse de su texto: en las definiciones, «2)», «3)» y «4)» se convirtieron en párrafos propios, seguidos de las tres definiciones; en los considerandos, «(156)» y «(157)» también lo hicieron. Los números colgantes se leen como una columna estrecha.
- El título del libro es el título de metadatos del PDF, que es el título oficial completo (alrededor de 400 caracteres) con «Texto pertinente a efectos del EEE» anexado.
- Un capítulo por artículo da 125 capítulos; la tabla de contenidos es larga pero sigue el esquema de PDF.
- PDFium (0.989), pdf_oxide (0.988) y OpenDataLoader (0.996) tienen un recuerdo de 8-gramas más alto que nuestro motor (0.974) en este documento.