EpubCCConversion d'une réglementation de l'UE (édition espagnole) en EPUB
Mis à jour :
Un règlement de l'UE dans le Journal Officiel se convertit bien pour le texte courant : sur l'édition espagnole de 144 pages de l'acte d'IA, le moteur EpubCC a supprimé tous les en-têtes en cours, construit un chapitre par article à partir de l'outline PDF et atteint une précision de 4-grammes de 0.982. Certains points numérotés sont détachés de leur texte, et d'autres moteurs récupèrent un texte légèrement plus continu.
Original et résultat
Un long acte juridique en espagnol : récitals numérotés de (1) à (180), articles avec paragraphes numérotés et points avec lettres, un en-tête avec la référence du Journal Officiel sur chaque page, et des annexes.
Télécharger la source PDF Télécharger l'échantillon EPUB
Où le résultat est bon
Chaque page répète le code de langue, la référence du Journal officiel et le numéro de page. Le moteur les détecte en comparant les pages et les supprime tous (fuite de marge 0.000 contre 0.753 pour pdf_oxide extract_text et 1.000 pour PDFium).
Le plan du PDF énumère chaque article, donc chaque article devient un chapitre avec son propre titre («Définitions», «Pratiques de IA prohibées»…), et la table des matières du lecteur peut sauter vers n'importe lequel d'entre eux. La langue est détectée comme étant l'es.
Où ce n'est pas
Les textes juridiques numérotent leurs paragraphes avec un retrait suspendu. Lorsque deux ou plusieurs numéros consécutifs se trouvent dans ce retrait, le moteur peut les lire comme une colonne séparée et écrire les numéros séparément de leur texte. Les mots sont tous là ; l'appariement est perdu. Il en va de même pour les lois du Royaume-Uni, c'est pourquoi nous n'avons pas encore publié un cas britannique.
Source et licence
- Document
- EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex)
- Licence
- Reuse authorised, including commercial (Decision 2011/833/EU; EUR-Lex legal notice), © European Union
- Pages
- 144
- Caractéristiques
- texte PDF, une colonne, en-têtes répétés, chapitres, Espagnol, texte légal
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.
Paramètres utilisés
- Moteur : EpubCC moteur à l'engagement 3b74b26, le binaire qui a généré les images et l'échantillon (2026-11-04).
- Pages : le document entier pour les figures ; pages 46–47 pour les images et l'échantillon EPUB.
- Chiffres de référence : un exécution du 2026-11-04 avec le même binaire, chaque moteur sur l'ensemble du document ; ce document ne fait pas encore partie de la référence publiée.
- 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.
EPUBCheck 5.4.0 sur l'exemple téléchargeable : 0 erreurs, 0 avertissements (vérifié le 2026-11-04).
- Pages
- 144
- Temps
- 0.53 s
- Mémoire peak
- 27 MB
- Langue détectée
- es
- Chapitres
- 125, un par article, provenant de l'PDF plan
- En-têtes de pages supprimés
- 401
- précision 4-gram
- 0.982 (pdf_oxide 0.965, OpenDataLoader 0.994)
- Avertissements de qualité
- aucun
| Moteur | rappel 8-gram |
|---|---|
| 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 |
Limitations observées
- Les points numérotés peuvent se détacher de leur texte : dans les définitions, «2)», «3)» et «4)» sont devenus des paragraphes séparés, suivis des trois définitions ; dans les considérants, «(156)» et «(157)» également. Les numéros approchés sont lus comme une colonne étroite.
- Le titre du livre est le titre de métadonnées de PDF, qui est le titre officiel complet (environ 400 caractères) avec «Texte pertinent à des fins du EEE» collé à celui-ci.
- Un chapitre par article donne 125 chapitres ; la table des matières est longue mais suit le plan de PDF.
- PDFium (0.989), pdf_oxide (0.988) et OpenDataLoader (0.996) ont un rappel de 8-gramme plus élevé que notre moteur (0.974) sur ce document.