EpubCCEen EU-verordening (Spaanse editie) naar EPUB converteren
Bijgewerkt:
Een EU-regelgeving in het Officiёle Publicatieblad converteert goed voor lopende tekst: op de 144 pagina's tellende Spaanse editie van de AI Act heeft de EpubCC-engine elke lopende kop verwijderd, één hoofdstuk per artikel opgebouwd uit de PDF-indeling en een 4-gram precisiemeting van 0.982 bereikt. Sommige genummerde punten zijn losgemaakt van hun tekst, en andere engines herstellen iets meer doorlopende tekst.
Origineel en resultaat
Een lange juridische akte in het Spaans: overwegingen genummerd (1) tot (180), artikelen met genummerde paragrafen en met letters aangeduide punten, een lopende kop met de referentie van het Staatsblad op elke pagina en bijlagen.
Download bron PDF Download het voorbeeld EPUB
Waar het resultaat goed is
Elke pagina herhaalt de taalcodes, de referentie naar het Officiële Journal en het paginanummer. De engine detecteert ze door pagina's te vergelijken en verwijdert ze allemaal (margin leak 0.000 tegen 0.753 voor pdf_oxide extract_text en 1.000 voor PDFium).
De PDF inhoudsopgave bevat elk artikel, zodat elk artikel een hoofdstuk met een eigen titel wordt («Definiciones», «Prácticas de IA prohibidas»…), en de inhoudsopgave van de lezer kan naar elk van hen springen. De taal wordt gedetecteerd als es.
Waar het niet is
Juridische teksten stellen hun alinea-nummers in met een hangende inspringing. Wanneer twee of meer opeenvolgende nummers in die inspringing staan, kan de engine ze lezen als een aparte kolom en schrijft de nummers apart van hun tekst. De woorden zijn er allemaal; de koppeling gaat verloren. Hetzelfde gebeurt in UK Acts, wat de reden is dat we nog geen UK-zaak hebben gepubliceerd.
Bron en licentie
- Document
- EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex)
- Licentie
- Reuse authorised, including commercial (Decision 2011/833/EU; EUR-Lex legal notice), © European Union
- Pagina's
- 144
- Eigenschappen
- tekst PDF, één kolom, herhaalde koppen, hoofdstukken, Spaans, wettelijke 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.
Gebruikte instellingen
- Engine: EpubCC engine bij commit 3b74b26, het binaire dat de afbeeldingen en de sample heeft gegenereerd (2026-11-04).
- Pagina's: het hele document voor de figuren; pagina's 46–47 voor de afbeeldingen en het voorbeeld EPUB.
- Benchmarkcijfers: een run van 2026-11-04 met dezelfde binary, elke engine op het hele document; dit document is nog geen onderdeel van de gepubliceerde benchmark.
- 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.
EPUBCheck 5.4.0 op het downloadbare monster: 0 fouten, 0 waarschuwingen (gecontroleerd 2026-11-04).
- Pagina's
- 144
- Tijd
- 0.53 s
- Piekgeheugen
- 27 MB
- Taal gedetecteerd
- es
- Hoofdstukken
- 125, één per artikel, van de PDF indeling
- Voortgangskoppen verwijderd
- 401
- 4-gram precisie
- 0.982 (pdf_oxide 0.965, OpenDataLoader 0.994)
- Kwaliteitswaarschuwingen
- geen
| Motor | 8-gram herinnering |
|---|---|
| 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 |
Beperkingen die we hebben waargenomen
- Genummerde punten kunnen loskomen van hun tekst: in de definities werden «2)», «3)» en «4)» alinea's op zichzelf, gevolgd door de drie definities; in de overwegingen gebeurde hetzelfde met «(156)» en «(157)». De hangende nummers worden gelezen als een smalle kolom.
- De titel van het boek is de metadata titel van de PDF, die de volledige officiële titel is (ongeveer 400 tekens) met «Texto pertinente a efectos del EEE» eraan vastgeplakt.
- Één hoofdstuk per artikel geeft 125 hoofdstukken; de inhoudsopgave is lang maar volgt de PDF-indeling.
- PDFium (0.989), pdf_oxide (0.988) en OpenDataLoader (0.996) hebben een hogere 8-gram recall dan onze motor (0.974) op dit document.