波兰法律公报条文 Markdown 转换集
数据集简介
从公报 PDF 到可处理文本
波兰《法律公报》(Dziennik Ustaw)是法律条文的官方发布载体,但 Sejm RP API ELI 对 2025 年起的公报仅提供 PDF 文件,难以直接检索与比对。本数据集借助 eli2md 转换器,将这些 PDF 转换为 Markdown 文本,并生成结构化的 JSON 单元树,使条文可被搜索、版本比较和自动化处理。每个文件均保留指向原始公报的 source_pdf 链接,元数据取自 API ELI Sejmu。
各年份收录范围
数据覆盖多个年份层级,索引共 14 个年份、约 6,900 个条文(2012–2026),其中 2025 年 1,900 条、2026 年 1,340 条。除 2025 年起的全部公报条文外,还补充了 2020–2023 年 98 个 API 未提供 HTML 的条文。跨仓库合并加载时,条文总数达 62,627 个(统计于 2026-10-11)。
结构化单元与索引
JSON 单元树按法律文本层级组织,层级标记包括 art.、§、ust.、pkt、lit.,便于按条款粒度定位内容。文章标题采用 ##### Art. N. 格式,与 Markdown 正文对应。仓库根目录的 index.csv 提供索引,字段涵盖年份、条文、转换状态与错误信息,可快速筛选转换结果。
法律统一文本
除逐年公报条文外,数据集还收录 2012–2024 年的法律统一文本(teksty jednolite),共 3,862 件,为追踪法律修订后的合并版本提供便利。
转换质量与更新机制
转换过程扫描了 203,810 页,其中 1,865 页因无文本层而无法直接提取,相关情况可在索引的转换状态与错误字段中核查。数据每日由 GitHub Actions 自动更新,索引统计时间戳为 2026-10-18 04:55 UTC。
许可与使用提示
数据集以 CC0-1.0 许可公开,可免费用于任何目的,GitHub 仓库可直接访问,亦发布在 Hugging Face(hf://datasets/PolskiAgentW/dziennik-ustaw-md)。需要强调的是,该数据集为非官方整理,具有法律约束力的文本始终是《法律公报》中的 PDF 原件,引用时应以 source_pdf 链接核对。