unboxgov-khmdhs-pdfs

该数据集名为KHMDHS合同附件PDF（缩减版），包含来自希腊公共采购注册机构KHMDHS的每份合同附件PDF文件。这些PDF文件经过Ghostscript的`/ebook`设置进行下采样（分辨率约为150 DPI），以优化查看速度和存储空间。数据以每月为单位的SQLite分片形式组织，存储在`pdfs/<YYYY-MM>.sqlite`文件中，每行对应一个ΑΔΑΜ（希腊公共采购唯一标识符），并通过`referenceNumber`进行键控。需要注意的是，这些文件是经过有损下采样的副本，原始权威文件仍保留在KHMDHS的官方网址。该数据集支持UnboxGov项目，其配套数据集中的检测信号用于识别值得审查的采购模式，并强调这些信号仅作为迹象提示，而非直接指控。数据集适用于公共采购分析、文档处理及基于PDF内容的研究任务，特别关注希腊公共采购领域。The dataset is named KHMDHS Contract Annex PDFs (Reduced Version) and includes PDF files of each contract annex from the Greek public procurement registry KHMDHS. These PDF files have been downsampled using Ghostscripts `/ebook` setting (with a resolution of approximately 150 DPI) to optimize viewing speed and storage space. The data is organized in monthly SQLite shards, stored in `pdfs/<YYYY-MM>.sqlite` files, with each row corresponding to an ΑΔΑΜ (the unique identifier for Greek public procurement) and keyed by `referenceNumber`. It is important to note that these files are lossy downsampled copies, and the original authoritative files remain on the official KHMDHS website. The dataset supports the UnboxGov project, where detection signals from its companion dataset are used to identify procurement patterns worthy of review, emphasizing that these signals serve only as indicators, not direct accusations. The dataset is suitable for public procurement analysis, document processing, and research tasks based on PDF content, with a particular focus on the Greek public procurement domain.

原始信息汇总

数据集概述：KHMDHS Contract Attachment PDFs

• 数据集名称： KHMDHS Contract Attachment PDFs (shrunk)
• 许可协议： 其他（other）
• 语言： 希腊语（el）
• 标签： 希腊、公共采购、PDF
• 数据内容： 来自希腊公共采购登记处 KHMDHS 的每份合同附件 PDF 文件。文件经过 Ghostscript /ebook (~150 DPI) 下采样处理，以实现快速查看和紧凑存储。
• 数据格式与存储： 文件打包为按月份划分的 SQLite 数据库分片，路径为 pdfs/<YYYY-MM>.sqlite。数据库中每一行对应一个希腊公共采购唯一标识符（ΑΔΑΜ），键值为 referenceNumber。
• 数据来源说明： 这些是 有损、下采样的副本。原始权威文件仍在 KHMDHS 官网：https://cerpp.eprocurement.gov.gr/khmdhs-opendata/contract/attachment/{ΑΔΑΜ}。
• 项目背景： 该数据集支持 UnboxGov 项目。配套数据集中的检测信号旨在揭示值得审视的模式，作为参考线索，并不构成指控。

搜集汇总

数据集介绍

构建方式

该数据集源自希腊公共采购登记处KHMDHS，以每份合同的附件PDF为原始素材。通过Ghostscript工具进行降采样处理，采用约150 DPI的/ebook参数，旨在实现快速预览与紧凑存储。所有文件按月份归并至SQLite分片中，命名为pdfs/<YYYY-MM>.sqlite格式，每行对应一个ΑΔΑΜ标识符，并以referenceNumber作为主键，构建出高效、可检索的结构化数据集合。

特点

数据集的核心特色在于其精简与实用性。作为有损降采样副本，它在保留合同附件关键信息的同时，显著压缩了存储空间，支持快速浏览。依托UnboxGov项目，该数据集并非提供原始证据，而是通过配套数据集中的检测信号，揭示值得审查的模式，旨在辅助分析而非直接指控，体现了中立、审慎的数据应用理念。

使用方法

使用时，用户可直接访问按月份组织的SQLite分片文件，通过referenceNumber字段索引特定合同附件。数据集适合与UnboxGov项目的其他分析工具联动，利用其中的检测信号定位潜在异常。建议将SQLite文件加载至支持SQL查询的环境中，以便高效提取与批处理PDF文件，辅助公共采购领域的透明化研究。

背景与挑战

背景概述

KHMDHS Contract Attachment PDFs数据集的构建源于希腊公共采购登记系统KHMDHS，旨在为透明化政府采购流程提供开放数据资源。该数据集由UnboxGov项目团队创建，集中于2019年至2022年间收集的合同附件PDF文件，并经过Ghostscript降采样处理以优化存储与访问效率。其核心研究问题在于通过机器可读的格式揭示公共采购中的潜在异常模式，从而提升监管效能。数据集以每月SQLite分片形式组织，每行对应唯一识别码ΑΔΑΜ，确保了结构化检索的可行性。作为开放政府数据倡议的一部分，该资源为学术与政策分析领域提供了宝贵的实证基础，推动了政府采购透明度的实证研究。

当前挑战

本数据集面临的核心挑战之一是原始文件的高分辨率与大规模存储需求，因此采用有损降采样策略以平衡可用性与存储成本，但这可能导致文档细节的丢失。构建过程中，需从KHMDHS的非标准化接口异步抓取海量PDF文件，并对不同格式的附件进行一致性解析，技术复杂度较高。此外，数据集服务于UnboxGov项目的异常检测目标，但降采样副本并非权威来源，研究者需链接原始KHMDHS进行验证，增加了数据溯源与复用的难度。最终，数据的解释需谨慎处理——检测信号仅为指示性线索而非确凿证据，避免滥用或误判成为关键挑战。

常用场景

经典使用场景

该数据集源自希腊公共采购登记系统KHMDHS，收录了经下采样处理的合同附件PDF文件，每个文件对应唯一的ΑΔΑΜ标识符，并按月打包为SQLite分片存储。经典使用场景聚焦于公共采购领域的数字化研究与监督，研究者可利用这批PDF文件，结合计算机视觉或自然语言处理技术，实现合同附件的自动化文本提取、关键词检索及内容分类。这套数据为跨语种文档分析、政府采购流程透明化评估以及腐败风险检测提供了标准化基底，尤其适合批量处理试验与模型训练。

衍生相关工作

围绕该数据集已衍生出一系列重要工作，最核心的是其配套发布的异常检测信号数据集，该合作品通过统计模型标注出值得审视的模式，为后续的欺诈识别与风险评估提供了基线标注。研究者由此发展出基于文档元数据与文本特征的采购网络分析框架，识别隐藏的关联交易；也有工作将其与欧洲其他国家的公开采购数据联合，构建多语言跨域的学习基准。这些衍生工作共同推动了公共合同大数据分析从单数据集验证向系统化、可比较的评估体系演进，重塑了政府采购透明度的技术研究范式。

数据集最近研究

最新研究方向

该数据集聚焦于希腊公共采购领域，汇聚了来自希腊公共采购登记处KHMDHS的合同附件PDF文件，并经下采样处理以优化存储与浏览效率。当前前沿研究方向主要围绕利用这些细粒度、按月度分片的PDF文档，结合同行数据集中的检测信号，探索公共采购流程中的异常模式与潜在风险。研究热点关联全球对政府透明度和反腐败的持续关注，特别是欧盟区域内公共支出监控的数字化改革。此数据集为机器学习模型训练提供了结构化素材，支撑对采购合规性的自动化审计，其意义在于推动数据驱动的政府治理革新，强化问责机制，但需注意其数据为有损副本，原始权威性仍依赖官方源。