EpubCCKonvertering av en EU-forordning (spansk utgave) til EPUB
Oppdatert:
En EU-forordning i Den offisielle Journal konverterer godt for løpende tekst: på den 144-siders spanske utgaven av AI-loven fjernet EpubCC-motoren hver gjennåpning, bygde ett kapittel per artikkel fra PDF-oversikten og oppnådde en 4-grams presisjon på 0.982. Noen nummererte punkter er løsrevet fra teksten sin, og andre motorer gjenoppretter litt mer sammenhengende tekst.
Opprinnelig og resultat
Et langt juridisk dokument på spansk: preambler nummerert (1) til (180), artikler med nummererte avsnitt og bokstaverte punkter, en pågående overskrift med referansen til det offisielle tidsskriftet på hver side, og vedlegg.
Last ned kilde PDF Last ned prøven EPUB
Hvor resultatet er bra
Hver side gjentar språk koden, referansen fra Offisiell Journal og sidenummeret. Motoren oppdager dem ved å sammenligne sider og fjerner dem alle (margin lekkasje 0.000 mot 0.753 for pdf_oxide extract_text og 1.000 for PDFium).
PDF-sammendraget lister hver artikkel, slik at hver artikkel blir et kapittel med sin egen tittel («Definiciones», «Prácticas de IA prohibidas»…), og leserens innholdsfortegnelse kan hoppe til hvilken som helst av dem. Språket er detektert som es.
Hvor det ikke er
Juridiske tekster setter sine avsnittsnummere med hengeinnrykk. Når to eller flere påfølgende numre sitter i det innrykket, kan motoren lese dem som en separat kolonne og skrive numrene adskilt fra teksten. Ordene er der alle sammen; paringen er tapt. Det samme skjer i britiske lover, som er grunnen til at vi ikke har publisert en britisk sak ennå.
Kilde og lisens
- Dokument
- EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex)
- Lisens
- Reuse authorised, including commercial (Decision 2011/833/EU; EUR-Lex legal notice), © European Union
- Sider
- 144
- Egenskaper
- tekst PDF, én kolonne, gjentatte 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.
Innstillinger brukt
- Motor: EpubCC motor ved commit 3b74b26, binæren som genererte bildene og eksempelet (2026-11-04).
- Sider: hele dokumentet for figurene; sider 46–47 for bildene og prøve EPUB.
- Benchmarkfigurer: et løp fra 2026-11-04 med samme binære, hver motor på hele dokumentet; dette dokumentet er ikke enda en del av den publiserte benchmark.
- Alternativer: ingen. Motoren har enda ingen dokumentinnstillinger; de samme standardene gjelder for hver fil.
Validering og resultater
EPUBCheck EPUBCheck på vår EPUB: 0 feil, 0 advarsler.
EPUBCheck 5.4.0 på den nedlastbare prøven: 0 feil, 0 advarsler (sjekket 2026-11-04).
- Sider
- 144
- Tid
- 0.53 s
- Maksimal minne
- 27 MB
- Språk oppdaget
- es
- Kapitler
- 125, én per artikkel, fra PDF-oversikten
- Løpende overskrifter fjernet
- 401
- 4-gram presisjon
- 0.982 (pdf_oxide 0.965, OpenDataLoader 0.994)
- Kvalitetsvarsler
- ingen
| Motor | 8-gram tilbakekalling |
|---|---|
| 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 |
Begrensninger vi observerte
- Nummererte punkter kan løsne fra teksten sin: i definisjonene, «2)», «3)» og «4)» ble egne avsnitt, etterfulgt av de tre definisjonene; i betraktningene, «(156)» og «(157)» gjorde det også. De hengende tallene leses som en smal kolonne.
- Boktittelen er PDF's metadata-tittel, som er den fullstendige offisielle tittelen (omtrent 400 tegn) med «Texto pertinente a efectos del EEE» klistret til.
- Én kapittel per artikkel gir 125 kapitler; innholdsfortegnelsen er lang, men følger PDF oversikten.
- PDFium (0.989), pdf_oxide (0.988) og OpenDataLoader (0.996) har en høyere 8-grams tilbakekalling enn vår motor (0.974) på dette dokumentet.