us-statutes-at-large
收藏资源简介：
该数据集包含美国法律成文法（United States Statutes at Large）的装订卷，由美国联邦政府出版局（GPO）通过 GovInfo 平台发布，集合标识为 STATUTE。每个卷提供两种格式：PDF 文件和 USLM XML 文件。数据集包含 metadata.jsonl 元数据文件，每行对应一个卷，字段包括文件名、包 ID、卷号、国会届次、会议期、发布日期、页数、是否扫描版、PDF 字节数、PDF SHA256 哈希、XML 文件名、XML 字节数、XML SHA256 哈希、源包 URL。卷覆盖从第 1 卷（1789 年）到第 137 卷（2023 年），其中第 1–64 卷（1789–1951 年）为扫描图像，PDF 大小 45 MB 至 1.1 GB；第 65–116 卷（1951–2002 年）为扫描图像；第 117–137 卷（2003–2023 年）为原生数字版，PDF 大小 8 MB 至 45 MB。第 1–116 卷的 metadata.jsonl 中 scanned 字段为 true。此外，granules/ 目录下包含部分法律 PDF 样本，用于转换基准测试。数据来源为 GovInfo API，所有文件均为美国政府作品，在美国属于公共领域（不受版权保护）。该数据集由 statute-pdf-to-xml 项目生成，旨在将 PDF 转换为 USLM 格式，并与 GPO 提供的 XML 进行基准对比。
This dataset contains bound volumes of the United States Statutes at Large, published by the U.S. Government Publishing Office (GPO) via the GovInfo platform, with collection identifier STATUTE. Each volume is provided in two formats: PDF files and USLM XML files. The dataset includes a metadata.jsonl file where each line corresponds to a volume, with fields such as file name, package ID, volume number, Congress, session, issue date, page count, scanned flag, PDF byte size, PDF SHA256 hash, XML file name, XML byte size, XML SHA256 hash, and source package URL. Volumes range from Volume 1 (1789) to Volume 137 (2023). Volumes 1–64 (1789–1951) are scanned images with PDF sizes from 45 MB to 1.1 GB; volumes 65–116 (1951–2002) are scanned images; volumes 117–137 (2003–2023) are born-digital with PDF sizes from 8 MB to 45 MB. The scanned field in metadata.jsonl is true for volumes 1–116. Additionally, the granules/ directory contains sample PDFs of individual laws for conversion benchmarking. Data is sourced from the GovInfo API, and all files are U.S. government works in the public domain. This dataset was generated by the statute-pdf-to-xml project to convert PDFs to USLM format and benchmark against XML provided by GPO.
数据集概述
数据集名称：United States Statutes at Large（美国法规总汇）
数据集类型：法律文献数据集，包含美国国会通过的法律的官方汇编卷宗。
内容与结构
该数据集收录了美国官方法规汇编的合订本，每卷包含一个 PDF 文件和一个 USLM（United States Legislative Markup）XML 文件。具体文件结构如下：
metadata.jsonl— 每一卷的元数据记录（每卷一行）pdfs/STATUTE-{n}.pdf— 来自 GovInfo 的卷 PDF 文件xmls/STATUTE-{n}.xml— 来自 GovInfo 的卷 USLM XML 文件granules/— 按法律拆分的 PDF 样例文件（用于转换基准测试，并非所有法律均包含）
元数据字段包括：file_name（PDF 路径）、package_id、volume（卷号）、congress（国会届次）、session（会期）、date_issued（发布日期）、pages（页数）、scanned（是否为扫描版）、pdf_bytes、pdf_sha256、xml_file、xml_bytes、xml_sha256、source_package_url（来源包地址）。
时间跨度与格式特征
| 卷号 | 年份 | PDF 格式 | XML 格式 |
|---|---|---|---|
| 第1至64卷 | 1789至1951年 | 扫描图像，45 MB 至 1.1 GB | 由 GPO 基于 OCR 和编辑标记生成 |
| 第65至116卷 | 1951至2002年 | 扫描图像 | 由 GPO 生成 |
| 第117至137卷 | 2003至2023年 | 原生数字格式，8 MB 至 45 MB | 由 GPO 基于排版源文件生成 |
元数据中 scanned 字段在第1至116卷时为 true（即这些卷为扫描版本）。
来源与许可
- 数据来源：美国政府出版局（U.S. Government Publishing Office）的 GovInfo 平台，集合标识为
STATUTE，下载地址格式为https://api.govinfo.gov/packages/STATUTE-{n}/pdf和/uslm。 - 许可协议：其他（
other），具体为公共领域（public-domain），依据美国法典第17篇第105条（17 U.S.C. 105），美国政府作品在美国不受版权保护。 - 语言：英语（
en）。 - 规模：样本数量小于 1,000（
n<1K）。
衍生说明
该数据集由 statute-pdf-to-xml 项目制作，该项目使用 Docling 将 PDF 转换为 USLM 格式，并与 GPO 官方 XML 进行基准对比验证。数据标签包括：legal、legislation、united-states、statutes、pdf、uslm。
