kagawa-gaming-time-restriction-law-public-comments

• ocr-text/ にパブコメpdfをOCRに掛けたテキストがあるので遊んでね。PDF1ページごとに1ファイルに分割されてます。ファイル名の規則は <元ファイル名>-<0origin3桁0paddingページ番号>.txt
• sepalated-text/ パブコメ1件ごとにファイル分割・結合したテキスト、手でやる必要があって、全然進んでない。ファイル名の規則は <元ファイル名>-<開始ページ番号>-<終了ページ番号>.txt

その他

• pdf/ 元のpdf
• jpg/ 元のpdfを1ページごとにjpg化したもの
• tools/ pdf->jpg, jpg->txtにするのに使ったスクリプト

今後

下記のようなことをしたいけど、4000件あるから難しいね。

• パブコメ1件ごとに分割
• OCR誤認識修正
• title, date, content等データ構造化