EpubCCKonvertera en EU-förordning (spansk version) till EPUB
Uppdaterad:
En EU-förordning i den officiella tidningen konverterar bra för löpande text: på den 144-sidiga spanska upplagan av AI-lagen tog EpubCC-motorn bort varje löpande rubrik, byggde ett kapitel per artikel från PDF-översikten och nådde en 4-grams precision på 0.982. Vissa numrerade punkter är separerade från sin text, och andra motorer återfår något mer sammanhängande text.
Original och resultat
En lång lag i spanska: recitativ numrerade (1) till (180), artiklar med numrerade stycken och bokstavsindelade punkter, en löpande rubrik med referens till den officiella tidningen på varje sida, och bilagor.
Ladda ner källan PDF Ladda ner provet EPUB
Där resultatet är bra
Varje sida upprepar språk-koden, referensen från den Officiella Journalen och sidnumret. Motorn upptäcker dem genom att jämföra sidor och tar bort alla (marginal läcka 0.000 mot 0.753 för pdf_oxide extract_text och 1.000 för PDFium).
PDF-översikten listar varje artikel, så varje artikel blir ett kapitel med sin egen titel («Definiciones», «Prácticas de IA prohibidas»…), och läsarens innehållsförteckning kan hoppa till någon av dem. Språket detekteras som es.
Där det inte är
Juridiska texter sätter sina styckenummer i hängande indrag. När två eller flera på varandra följande nummer sitter i det indraget kan motorn läsa dem som en separat kolumn och skriva numren åtskilda från sin text. Orden finns där; parningen går förlorad. Det samma händer i brittiska lagar, vilket är varför vi ännu inte har publicerat ett brittiskt ärende.
Källa och licens
- Dokument
- EU AI Act, Regulation 2024/1689 (Spanish, EUR-Lex)
- Licens
- Reuse authorised, including commercial (Decision 2011/833/EU; EUR-Lex legal notice), © European Union
- Sidor
- 144
- Egenskaper
- text PDF, en kolumn, upprepade rubriker, kapitel, Spanska, juridisk text
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.
Använda inställningar
- Motor: EpubCC motor vid commit 3b74b26, den binära som genererade bilderna och provet (2026-11-04).
- Sidor: hela dokumentet för figurerna; sidor 46–47 för bilderna och exemplet EPUB.
- Benchmark siffror: en körning av 2026-11-04 med samma binär, varje motor på hela dokumentet; detta dokument är ännu inte en del av den publicerade benchmarken.
- Alternativ: inga. Motorn har inga per-dokument-inställningar ännu; samma standardinställningar gäller för varje fil.
Validering och resultat
EPUBCheck EPUBCheck på vår EPUB: 0 fel, 0 varningar.
EPUBCheck 5.4.0 på den nedladdningsbara provet: 0 fel, 0 varningar (kontrollerat 2026-11-04).
- Sidor
- 144
- Tid
- 0.53 s
- Maxminne
- 27 MB
- Språk upptäckt
- es
- Kapitel
- 125, en per artikel, från PDF-översikten
- Körande rubriker borttagna
- 401
- 4-grams precision
- 0.982 (pdf_oxide 0.965, OpenDataLoader 0.994)
- Kvalitetsvarningar
- ingen
| Motor | 8-gram återkallande |
|---|---|
| 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 |
Begränsningar vi observerat
- Numrerade punkter kan lossa från sin text: i definitionerna blev «2)», «3)» och «4)» stycken för sig, följda av de tre definitionerna; i skälen gjorde också «(156)» och «(157)». De hängande numren läses som en smal kolumn.
- Bokens titel är PDF's metadata titel, vilket är den fullständiga officiella titeln (ungefär 400 tecken) med «Texto pertinente a efectos del EEE» klistrad på.
- Ett kapitel per artikel ger 125 kapitel; innehållsförteckningen är lång men följer PDF-planen.
- PDFium (0.989), pdf_oxide (0.988) och OpenDataLoader (0.996) har en högre 8-gram återkallning än vår motor (0.974) på detta dokument.