DSSGxMunich/document_text

该数据集包含由Tika PDF解析器生成的结果。对于每个文档，它包含其引用的土地地块及其下载的内容。数据集的结构包括文件名、文档ID、提取的文本内容、土地地块ID、土地地块名称和解析内容的URL。数据来源于document_texts_creation模块。

原始信息汇总

数据集卡片 for document_texts

数据集描述

数据集概述

该数据集包含由Tika完成的PDF解析结果。每个文档包含其所指的土地地块以及下载的内容。

数据集结构

数据字段

• filename: 解析的PDF文件名。
• document_id: 文档的唯一ID，是土地地块ID和文档编号组合。
• content: 提取的文本内容。
• land_parcel_id: 文档对应土地地块的唯一ID。
• land_parcel_name: 文档对应土地地块的名称。
• land_parcel_scanurl: 解析内容的URL。

源数据

来自模块document_texts_creation。