davidwickerhf/cjeu-opendata

CJEU / CELLAR Case Law 是一个全面的欧盟法院判例语料库，涵盖了自1954年以来欧洲法院和普通法院发布的所有判决、命令、意见和通知，以及引用欧盟法律的国内法院裁决（第8部门）。每个案例都包含其元数据、可用的多语言全文，以及作为可连接CELEX标识符的入站和出站引用图。该数据集是实证欧盟法律研究的单一真实来源，可用于分析引用关系、主题主导、程序语言变化等。数据集包括两个主要表格：cases.parquet（每个ECLI一行，包含107列元数据，如法院组成、司法程序类型、主题等）和fulltexts.parquet（每个ECLI一行，包含纯文本正文及来源标志）。数据集规模包括46,180个案例和546,733个全文文档，时间范围从1954年11月10日到2026年5月21日，支持多种语言（如法语、英语、德语等），并提供了详细的覆盖统计和引用网络分析。CJEU / CELLAR Case Law is a comprehensive corpus of European Union (EU) court case law, covering all judgments, orders, opinions and notices issued by the Court of Justice of the EU and the General Court, as well as domestic court rulings referencing EU law under Section 8. Each case includes its metadata, available multilingual full texts, and inbound and outbound citation graphs linked via CELEX identifiers. This dataset acts as the single source of truth for empirical EU legal research, supporting analyses of citation relationships, thematic dominance, shifts in the languages used for judicial proceedings, and other relevant research topics. The dataset consists of two main tables: cases.parquet (one row per ECLI, containing 107 columns of metadata such as court composition, type of judicial procedure, case subject matter, etc.) and fulltexts.parquet (one row per ECLI, containing plain text case bodies and source flags). In terms of scale, the dataset includes 46,180 cases and 546,733 full-text documents, covering the period from November 10, 1954 to May 21, 2026. It supports multiple languages including French, English, German, etc., and provides detailed coverage statistics and citation network analysis functionalities.

搜集汇总

数据集介绍

构建方式

该数据集通过两阶段流水线构建而成。首先，利用cellar-extractor工具，向欧盟CELLAR SPARQL端点发起查询，批量爬取欧洲法院自1954年以来所有判决、命令、意见及通知的元数据与引文图谱，同时从InfoCuria及CELLAR REST接口获取判例全文及其来源标记。随后，由cjeu-migration编排工具以月为单位逐时间窗口迭代抓取，对失败窗口实施指数退避重试，并通过CSV及JSON检查点实现断点续传。最后，将多窗口数据去重整合，生成两张Parquet表：cases表收录46,180条判例的107维元数据，fulltexts表则包含546,733条多语种全文记录，字段覆盖法院组成、诉讼类型、法官报告人、主题词、EuroVoc概念及双向引文链接等。

特点

该数据集在覆盖广度与结构深度上均具突出优势。时间跨度从1954年延伸至2026年，涵盖欧盟法院与普通法院发布的全部判例类型，并收录引用欧盟法律的成员国国内判决（第8领域），实现近乎百分之百的全文可用率（99.3%）。核心特色在于内置完整的有向引文图谱：每条判例的work_cites_work和cited_by字段以CELEX标识符列表形式呈现，内部可连接边数达466,092条，占比65.7%，支持自引网络分析与PageRank等图算法。此外，全文以纯文本格式存储，去除标记与页眉页脚，直接适用于语义分割、嵌入训练等自然语言处理任务。

使用方法

使用者可通过多种方式快速接入数据。对于分析场景，推荐直接使用Pandas或Polars读取远程Parquet文件，无需安装datasets库；对于流式处理，可利用HuggingFace datasets库的streaming模式，仅加载所需行以避免内存压力。数据提供丰富查询接口：可按日期范围与领域筛选判例，通过subject_matter列过滤特定法域（如增值税初步裁决），亦可基于celex标识符将cases表与fulltexts表进行ECLI连接以获取具体案件的全文。引文网络分析方面，可对work_cites_work列执行分隔符拆分与自连接操作，生成源-目标边列表，并结合NetworkX等图论库计算PageRank值，识别最具影响力的判例。

背景与挑战

背景概述

欧洲法院（CJEU）作为欧盟司法体系的核心机构，其判例法对欧盟法律解释与统一适用具有奠基性意义。然而，长期以来，针对CJEU判例的实证研究受限于数据分散、元数据缺失及跨语言文本整合困难等瓶颈。由马斯特里赫特法律与技术实验室的研究人员David Wicker主导构建的CJEU / CELLAR Case Law数据集，于2026年正式发布，提供自1954年以来CJEU及普通法院发布的全部判决、裁定、意见与通知，以及引用欧盟法律的成员国法院裁决，共计46,180件案例与超过54万篇全文文本。该数据集整合了107维元数据字段、多语言全文及可关联的引用图谱，填补了欧盟司法数据标准化与开放获取领域的空白，为计算法学、法律信息检索及司法行为分析等研究提供了前所未有的基础设施支撑。

当前挑战

该数据集所应对的核心领域挑战在于，传统的CJEU判例研究多依赖手工编码或分散的数据库，难以系统性地揭示跨越七十年的判例引用网络、主体领域演变及程序语言变迁等宏观法律现象。构建过程中，研究者面临多重技术障碍：首先，原始数据分散于CELLAR SPARQL端点、InfoCuria接口及多种非结构化格式中，需设计自动化抽取管道实现跨源数据的高效对齐与去重；其次，全文文本涉及24种欧盟官方语言的提取与标准化处理，需应对编码不一致、标签残留及缺失来源等问题；此外，引用图谱的构建要求精准解析CELEX标识符的交叉引用关系，并在超70万条出边中滤除指向域外立法文件的噪声数据。最终，约0.7%的文档因上游资源限制而缺失正文，需通过结构化缺失原因字段进行标记，以保证数据集的完整性与可复现性。

常用场景

经典使用场景

在计算法学与法律信息学领域，该数据集被广泛用于构建欧盟法院判例法的结构化知识库。研究者可基于其丰富的元数据字段，如诉讼类型、主题事项、法律程序语言及引用关系图，开展大规模实证分析。典型应用包括解析欧盟法院判决的时间演化规律、识别不同成员国在初步裁决中的差异化参与模式，以及追踪知识产权、竞争法等领域判例的语义网络变迁。

衍生相关工作

该数据集已催生多项开创性研究，如基于图神经网络进行欧盟判例引用影响力排序，利用全文嵌入实现跨语言判例相似度计算，以及结合EuroVoc主题标签进行法律概念演化检测。数据集的Python工具链（cellar-extractor与cjeu-migration）也成为其他司法管辖区构建判例语料库的技术范本，其设计模式被应用于构建欧洲人权法院与国际法院的同类基准数据资源。

数据集最近研究

最新研究方向

在欧盟法律实证研究的前沿，该数据集为法学计算与司法行为分析开辟了崭新维度。凭借覆盖1954年至2026年间近五万件欧盟法院判例的完整语料库，以及超过54万条多语种全文文本与详尽的引文图谱，研究者得以运用网络科学和自然语言处理技术，深度剖析欧洲法院的判例互引模式、跨语言法律话语演变及知识产权等热点领域的司法动态。尤其是其提供的标准化CELEX标识符与结构化元数据，极大便利了引文网络中的PageRank影响力排序与主题聚类分析，为理解欧盟法律体系的层级结构与判例约束力提供了前所未有的量化基础。这一开源资源不仅推动了法律信息学的工具民主化，也标志着欧盟司法大数据研究从静态统计迈向了动态网络建模的新阶段。