EpubCCConversia unei reglementări a UE (ediția spaniolă) la EPUB
Actualizat:
O reglementare a UE în Jurnalul Oficial se convertește bine pentru textul curgător: în ediția spaniolă de 144 de pagini a Legii AI, motorul EpubCC a eliminat fiecare antet curgător, a construit un capitol per articol din schema PDF și a atins o precizie de 4-gram de 0.982. Unele puncte numerotate sunt detașate de textul lor, iar alte motoare recuperează text ușor mai continuu.
Original și rezultat
Un act juridic lung în spaniolă: recitaluri numerotate (1) până la (180), articole cu paragrafe numerotate și puncte literate, un antet continuu cu referința Jurnalului Oficial pe fiecare pagină și anexe.
Descarcă sursa PDF Descarcă eșantionul EPUB
Unde rezultatul este bun
Fiecare pagină repetă codul de limbă, referința Jurnalului Oficial și numărul paginii. Motorul le detectează comparând paginile și le elimină pe toate (scurgerea de margine 0.000 împotriva 0.753 pentru pdf_oxide extract_text și 1.000 pentru PDFium).
Structura PDF listează fiecare articol, astfel fiecare articol devine un capitol cu propriul său titlu («Definiții», «Practicile de IA interzise»…), iar tabelul de conținut al cititorului poate sări la oricare dintre ele. Limba este detectată ca es.
Unde nu este
Textele legale își setează numerele de paragraf într-o indentare suspendată. Când două sau mai multe numere consecutive se află în acea indentare, motorul le poate citi ca o coloană separată și scrie numerele separat de textul lor. Cuvintele sunt toate acolo; asocierea este pierdută. Același lucru se întâmplă în actele din Regatul Unit, motiv pentru care nu am publicat încă un caz din UK.
Sursă și licență
- Document
- EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex)
- Licență
- Reuse authorised, including commercial (Decision 2011/833/EU; EUR-Lex legal notice), © European Union
- Pagini
- 144
- Trăsături
- text PDF, o coloană, antete repetate, capitole, Spaniolă, text 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.
Setări utilizate
- Motor: EpubCC motor la commit 3b74b26, binary-ul care a generat imaginile și exemplul (2026-11-04).
- Pagini: întregul document pentru figuri; paginile 46–47 pentru imagini și exemplul EPUB.
- Figuri de benchmarking: o rulare din 2026-11-04 cu același binar, fiecare motor pe întreg documentul; acest document nu face încă parte din benchmark-ul publicat.
- Opțiuni: niciuna. Motorul nu are încă setări per document; aceleași valori implicite se aplică fiecărui fișier.
Validare și rezultate
EPUBCheck EPUBCheck pe EPUB: 0 erori, 0 avertizări.
EPUBCheck 5.4.0 pe mostra descărcabilă: 0 erori, 0 avertizări (verificată pe 2026-11-04).
- Pagini
- 144
- Timp
- 0.53 s
- Memorie maximă
- 27 MB
- Limbaj detectat
- es
- Capitole
- 125, câte unul pe articol, din schița PDF
- Antetele eliminate
- 401
- precizie 4-gram
- 0.982 (pdf_oxide 0.965, OpenDataLoader 0.994)
- Alerte de calitate
- niciunul
| Motor | recall 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 |
Limitări observate
- Punctele numerotate pot să se desprindă de textul lor: în definiții, «2)», «3)» și «4)» au devenit paragrafe de sine stătătoare, urmate de cele trei definiții; în recitale, «(156)» și «(157)» au făcut la fel. Numerele suspendate sunt citite ca o coloană îngustă.
- Titlul cărții este titlul de metadate al PDF, care este titlul oficial complet (aproximativ 400 de caractere) cu «Texto pertinent a efectos del EEE» lipit de el.
- Un capitol per articol oferă 125 de capitole; tabela de conținut este lungă, dar urmează conturul PDF.
- PDFium (0.989), pdf_oxide (0.988) și OpenDataLoader (0.996) au un recall de 8-gram mai mare decât motorul nostru (0.974) pe acest document.