EpubCCConvertendo uma regulamentação da UE (edição espanhola) para EPUB
Atualizado:
Uma regulamentação da UE no Jornal Oficial converte bem para texto contínuo: na edição espanhola de 144 páginas da Lei de IA, o motor EpubCC removeu todos os cabeçalhos corridos, construiu um capítulo por artigo a partir do esboço PDF e alcançou uma precisão de 4 gramas de 0.982. Alguns pontos numerados estão destacados de seu texto, e outros motores recuperam um texto ligeiramente mais contínuo.
Original e resultado
Um longo ato jurídico em espanhol: considerações numeradas (1) a (180), artigos com parágrafos numerados e pontos alfabéticos, um cabeçalho contínuo com a referência do Diário Oficial em cada página e anexos.
Baixar fonte PDF Baixar a amostra EPUB
Onde o resultado é bom
Cada página repete o código de idioma, a referência do Diário Oficial e o número da página. O sistema os detecta comparando páginas e remove todos eles (vazamento de margem 0.000 contra 0.753 para pdf_oxide extract_text e 1.000 para PDFium).
O PDF esboço lista cada artigo, então cada artigo se torna um capítulo com seu próprio título («Definiciones», «Prácticas de IA proibidas»…), e a tabela de conteúdos do leitor pode pular para qualquer um deles. O idioma é detectado como es.
Onde não é
Textos legais configuram seus números de parágrafo em um recuo suspenso. Quando dois ou mais números consecutivos estão nesse recuo, o mecanismo pode lê-los como uma coluna separada e escrever os números separados de seu texto. As palavras estão todas lá; a correspondência se perde. O mesmo acontece em Atos do Reino Unido, razão pela qual ainda não publicamos um caso do Reino Unido.
Fonte e licença
- Documento
- EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex)
- Licença
- Reuse authorised, including commercial (Decision 2011/833/EU; EUR-Lex legal notice), © European Union
- Páginas
- 144
- Características
- texto PDF, uma coluna, cabeçalhos repetidos, capítulos, Espanhol, 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.
Configurações usadas
- Engine: EpubCC engine no commit 3b74b26, o binário que gerou as imagens e o exemplo (2026-11-04).
- Páginas: o documento completo para as figuras; páginas 46–47 para as imagens e a amostra EPUB.
- Figuras de referência: uma execução de 2026-11-04 com o mesmo binário, cada mecanismo em todo o documento; este documento ainda não faz parte do benchmark publicado.
- Opções: nenhuma. O motor ainda não tem configurações por documento; os mesmos padrões se aplicam a todos os arquivos.
Validação e resultados
EPUBCheck EPUBCheck em nosso EPUB: 0 erros, 0 avisos.
EPUBCheck 5.4.0 na amostra disponível para download: 0 erros, 0 avisos (verificado em 2026-11-04).
- Páginas
- 144
- Tempo
- 0.53 s
- Memória máxima
- 27 MB
- Idioma detectado
- es
- Capítulos
- 125, um por artigo, do esboço da PDF
- Cabeçalhos em execução removidos
- 401
- Precisão de 4-grama
- 0.982 (pdf_oxide 0.965, OpenDataLoader 0.994)
- Advertências de qualidade
- nenhum
| Motor | Recuperação de 8-grama |
|---|---|
| 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 |
Limitações que observamos
- Pontos numerados podem ficar soltos do seu texto: nas definições, «2)», «3)» e «4)» se tornaram parágrafos próprios, seguidos pelas três definições; nos atos, «(156)» e «(157)» também o fizeram. Os números pendurados são lidos como uma coluna estreita.
- O título do livro é o título metadado do PDF, que é o título oficial completo (cerca de 400 caracteres) com «Texto pertinente a efeitos do EEE» colado a ele.
- Um capítulo por artigo dá 125 capítulos; o índice é longo, mas segue o esboço de PDF.
- PDFium (0.989), pdf_oxide (0.988) e OpenDataLoader (0.996) têm um recall de 8-gramas mais alto do que nosso motor (0.974) neste documento.