---
license: cc-by-4.0
task_categories:
- text-retrieval
- text-generation
- question-answering
language:
- th
pretty_name: Royal Gazette Thailand (Ratchakitcha)
size_categories:
- 1M<n<10M
tags:
- law
- thailand
- government
- open-data
configs:
- config_name: meta
  default: true
  data_files:
  - split: train
    path: meta/*/*.jsonl
- config_name: openlawdata
  data_files:
  - split: train
    path: ocr/openlawdata-ocr/*/*.jsonl
- config_name: iapp
  data_files:
  - split: train
    path: ocr/iapp/*/*.jsonl
- config_name: taxonomy
  data_files:
  - split: train
    path: taxonomy/openlawdata-taxonomy/*/*.jsonl

dataset_info:
- config_name: meta
  features:
  - name: "no"
    dtype: string
  - name: "id"
    dtype: string
  - name: "doctitle"
    dtype: string
  - name: "bookNo"
    dtype: string
  - name: "section"
    dtype: string
  - name: "category"
    dtype: string
  - name: "publishDate"
    dtype: string
  - name: "pageNo"
    dtype: string
  - name: "pdf_file"
    dtype: string
  - name: "source_url"
    dtype: string
  - name: "publishDate_source"
    dtype: string
  - name: "added_date"
    dtype: string
  - name: "repaired_fields"
    dtype: string
  - name: "is_test"
    dtype: bool
- config_name: openlawdata
  features:
  - name: "pdf_file"
    dtype: string
  - name: "doc_id"
    dtype: string
  - name: "text"
    dtype: string
  - name: "n_pages"
    dtype: int64
  - name: "method"
    dtype: string
  - name: "ocr_pages"
    dtype: int64
  - name: "is_valid"
    dtype: bool
  - name: "score"
    dtype: float64
  - name: "doc_type"
    dtype: string
  - name: "issuer"
    dtype: string
  - name: "issuing_authority"
    dtype: string
  - name: "title"
    dtype: string
  - name: "subject"
    dtype: string
  - name: "volume"
    dtype: int64
  - name: "volume_thai"
    dtype: string
  - name: "part"
    dtype: string
  - name: "part_number"
    dtype: int64
  - name: "part_class"
    dtype: string
  - name: "is_special"
    dtype: bool
  - name: "page"
    dtype: int64
  - name: "publish_date"
    dtype: string
  - name: "publish_date_thai"
    dtype: string
  - name: "announcement_date"
    dtype: string
  - name: "announcement_date_thai"
    dtype: string
  - name: "signatories"
    list:
    - name: "name"
      dtype: string
    - name: "position"
      dtype: string
  - name: "reference_numbers"
    sequence: string
  - name: "doctitle"
    dtype: string
  - name: "meta_book_no"
    dtype: int64
- config_name: taxonomy
  features:
  - name: "pdf_file"
    dtype: string
  - name: "doc_id"
    dtype: string
  - name: "year"
    dtype: string
  - name: "month"
    dtype: string
  - name: "volume"
    dtype: int64
  - name: "part"
    dtype: string
  - name: "part_class"
    dtype: string
  - name: "publish_date"
    dtype: string
  - name: "doc_type"
    dtype: string
  - name: "agency"
    dtype: string
  - name: "agency_type"
    dtype: string
  - name: "province"
    dtype: string
  - name: "has_text"
    dtype: bool
  - name: "topic"
    dtype: string
  - name: "action"
    dtype: string
  - name: "govlevel"
    dtype: string
  - name: "topic_corroborated"
    dtype: bool
  - name: "action_corroborated"
    dtype: bool
  - name: "govlevel_corroborated"
    dtype: bool
  - name: "labels"
    list:
    - name: "slug"
      dtype: string
    - name: "thai"
      dtype: string
    - name: "axis"
      dtype: string
    - name: "weight"
      dtype: float64
    - name: "matched_by"
      sequence: string
    - name: "corroborated"
      dtype: bool
  - name: "extracted"
    struct:
    - name: "stage"
      dtype: string
    - name: "case_number"
      dtype: string
    - name: "case_book"
      dtype: string
    - name: "court"
      dtype: string
    - name: "debtor_type"
      dtype: string
    - name: "debtor_name"
      dtype: string
  - name: "sieve_version"
    dtype: string
- config_name: iapp
  features:
  - name: "success"
    dtype: bool
  - name: "data"
    struct:
    - name: "file_name"
      dtype: string
    - name: "output_format"
      dtype: string
    - name: "task_type"
      dtype: string
    - name: "total_pages"
      dtype: int64
    - name: "formatted_result"
      struct:
      - name: "total_pages"
        dtype: int64
      - name: "formatted_output"
        dtype: string
    - name: "raw_results"
      list:
      - name: "page_num"
        dtype: int64
      - name: "raw_output"
        dtype: string
    - name: "ocr_results"
      list:
      - name: "page_num"
        dtype: int64
      - name: "markdown_output"
        dtype: string
    - name: "json_result"
      dtype: string
    - name: "return_raw_results"
      dtype: bool
    - name: "rekeyed_from"
      dtype: string
  - name: "app_metadata"
    struct:
    - name: "elapsed_time_seconds"
      dtype: int64
    - name: "app_version"
      dtype: string
  - name: "ai_metadata"
    struct:
    - name: "elapsed_time_ms"
      dtype: int64
    - name: "app_version"
      dtype: string
  - name: "pdf_file"
    dtype: string
---

# Royal Gazette Thailand (Ratchakitcha) Dataset
**ชุดข้อมูลราชกิจจานุเบกษา (แบบ Machine Readable)**

โครงการ **Open Law Data Thailand** ร่วมกับคณะกรรมาธิการการพาณิชย์และการอุตสาหกรรม วุฒิสภา ได้รับความอนุเคราะห์ข้อมูลจาก **สำนักเลขาธิการคณะรัฐมนตรี (สลค.)** เพื่อเผยแพร่ข้อมูลกฎหมายไทยสู่สาธารณะในรูปแบบที่ประมวลผลได้ด้วยคอมพิวเตอร์ (Machine Readable) เพื่อส่งเสริมนวัตกรรม Legal Tech และ AI ของประเทศไทย

## Dataset Description

ชุดข้อมูลนี้รวบรวมรายการประกาศในราชกิจจานุเบกษา ประกอบด้วยชื่อเรื่อง เล่ม ตอน วันที่ประกาศ และลิงก์ไปยังต้นฉบับ PDF เหมาะสำหรับการทำ RAG (Retrieval-Augmented Generation), การสืบค้นกฎหมาย, และการวิเคราะห์ข้อมูลภาครัฐ

- **Source:** สำนักเลขาธิการคณะรัฐมนตรี (The Secretariat of the Cabinet)
- **Official Collaboration Reference:** หนังสือด่วนที่สุด ที่ นร ๐๕๐๓/๑๘๗๓๙ (29 ก.ค. 2568)
- **Homepage:** [Open Law Data Thailand](https://www.openlawdatathailand.org/)

<!-- ocr-rename:begin -->
> **ย้ายโฟลเดอร์ (2026-09-13):** ชั้นข้อความของ OpenLawData อยู่ที่ **`ocr/openlawdata-ocr/`** (ตั้งชื่อคู่กับ
> `taxonomy/openlawdata-taxonomy/`) · path เดิม `ocr/openlawdata/` **ถูกลบออกแล้วเมื่อ 2026-09-14** —
> โค้ดที่ยังชี้ path เดิมต้องเปลี่ยนเป็น `ocr/openlawdata-ocr/` (ไฟล์รายเดือนชื่อเดิมทุกไฟล์ และมี
> `<year>/index.ndjson` บอกตำแหน่งไบต์ของแต่ละฉบับเพิ่มมาให้)
<!-- ocr-rename:end -->

## Usage Instruction

ท่านสามารถเลือกดาวน์โหลดข้อมูลได้หลายรูปแบบผ่าน Library `datasets` ของ Hugging Face โดยระบุชื่อ `name` ในพารามิเตอร์ (Config)

### 1. สำหรับงาน AI / NLP (แนะนำ) ⭐
หากต้องการข้อความ (Text) เพื่อนำไปเทรนโมเดล หรือทำ Search Engine ท่านสามารถเลือกโหลดข้อมูลแยกเป็น **"รายทศวรรษ"** (Decade Subsets) ได้ ซึ่งจะได้ทั้งไฟล์ OCR และ Metadata ควบคู่กัน

**ตัวอย่างการ Download สำหรับปี 2024**
```bash
hf download open-law-data-thailand/soc-ratchakitcha --repo-type dataset --include "meta/2024/*" --local-dir "downloads"
hf download open-law-data-thailand/soc-ratchakitcha --repo-type dataset --include "ocr/*/2024/*" --local-dir "downloads"
```

**ตัวอย่างการ Download สำหรับ 2020s (2020-2029)**
```bash
hf download open-law-data-thailand/soc-ratchakitcha --repo-type dataset --include "meta/202?/*" --local-dir "downloads"
hf download open-law-data-thailand/soc-ratchakitcha --repo-type dataset --include "ocr/*/202?/*" --local-dir "downloads"
```

### 1.1 โหลดด้วย `datasets` (สะดวกที่สุด)

ชุดข้อมูลแบ่งเป็น 3 config — เลือกได้ตามงาน ไม่ต้องดาวน์โหลดทั้ง repo

```python
from datasets import load_dataset

R = "open-law-data-thailand/soc-ratchakitcha"

ds = load_dataset(R, "meta",        split="train")   # metadata อย่างเดียว (ค่าเริ่มต้น, เบาสุด)
ds = load_dataset(R, "openlawdata", split="train")   # ⭐ ข้อความเต็ม + metadata แยกวิเคราะห์ 2005-2026
ds = load_dataset(R, "iapp",        split="train")   # OCR รายหน้า 2011-2025
```

> `meta` เป็น config เริ่มต้นเพราะเบาที่สุด ทำให้ตัวอย่างข้อมูลบนหน้าเว็บโหลดได้เร็ว
> — **ถ้าต้องการตัวข้อความให้เลือก `openlawdata`**

ชุดข้อมูลมีขนาดใหญ่ (~9.6 GB สำหรับ `openlawdata`) หากไม่ต้องการโหลดทั้งหมดลงเครื่อง
ให้ใช้ `streaming=True`

```python
ds = load_dataset("open-law-data-thailand/soc-ratchakitcha", "openlawdata",
                  split="train", streaming=True)
for row in ds.take(5):
    print(row["publish_date"], row["doc_type"], row["title"])
```

หรือถ้าต้องการเลือกเฉพาะบางปี ให้ดาวน์โหลดเป็นไฟล์ตามหัวข้อถัดไป

### 2\. สำหรับการวิเคราะห์ข้อมูล

หากต้องการวิเคราะห์สถิติ เช่น จำนวนกฎหมายในแต่ละปี หรือค้นหาชื่อเรื่อง โดยไม่ต้องการเนื้อหา Text

**โหลดเฉพาะ Metadata ทั้งหมด** (`--include "meta/*/*"`; meta/year/year-month-files)
```bash
hf download open-law-data-thailand/soc-ratchakitcha --repo-type dataset --include "meta/*/*" --local-dir "downloads"
```

**โหลดเฉพาะ OCR ทั้งหมด** (`--include "ocr/*/*/*"`; ocr/engine/year/year-month-files)
```bash
hf download open-law-data-thailand/soc-ratchakitcha --repo-type dataset --include "ocr/*/*/*" --local-dir "downloads"
```

**โหลดเฉพาะ engine เดียว** (ดูหัวข้อ [OCR Engines](#ocr-engines-ocrengineyearyear-monthjsonl) ประกอบ)
```bash
hf download open-law-data-thailand/soc-ratchakitcha --repo-type dataset --include "ocr/openlawdata-ocr/*/*" --local-dir "downloads"
hf download open-law-data-thailand/soc-ratchakitcha --repo-type dataset --include "ocr/iapp/*/*" --local-dir "downloads"
```

### 3\. สำหรับการดึงไฟล์ต้นฉบับ (PDF)

ชุดข้อมูลนี้จัดเก็บไฟล์ PDF แบบ **Hot/Cold Storage** เพื่อประสิทธิภาพ:

**`pdf`**: ไฟล์ PDF รายฉบับ **เฉพาะ 3 เดือนล่าสุด** (Hot Data) (`--include "pdf/*/*/*"`, pdf/year/year-month/files)
```bash
hf download open-law-data-thailand/soc-ratchakitcha --repo-type dataset --include "pdf/*/*/*" --local-dir "downloads"
```

**`zip`**: ไฟล์ PDF ย้อนหลังตั้งแต่ปี 1884 ที่ถูกบีบอัดเป็น **ZIP รายเดือน** (Cold Data) (`--include "zip/*/*"`, pdf/year/year-month-files)
```bash
hf download open-law-data-thailand/soc-ratchakitcha --repo-type dataset --include "zip/*/*" --local-dir "downloads"
```

## OCR Engines (`ocr/<engine>/<year>/<year-month>.jsonl`)

ชุดข้อมูลนี้มีข้อความจากหลาย engine เก็บแยกโฟลเดอร์กัน ทุก engine ใช้รูปแบบเดียวกันคือ
**1 บรรทัด = 1 เอกสาร** และเชื่อมกับไฟล์อื่นด้วยฟิลด์ `pdf_file` — เลือกใช้ตามความเหมาะสม
หรือนำมาเทียบกันได้

| Engine | ช่วงปีที่มี | ลักษณะ |
| :--- | :--- | :--- |
| **`iapp`** | 2011–2025 | ข้อความจาก OCR ล้วน แยกราย**หน้า** (`markdown_output`) ไม่มี metadata |
| **`openlawdata`** | 2005–2026 | ข้อความทั้งฉบับ + **metadata ที่แยกวิเคราะห์แล้ว** (ประเภท ผู้ลงนาม เล่ม ตอน วันที่) พร้อมสัญญาณคุณภาพ |

`openlawdata` สกัดข้อความจากชั้นข้อความ (text layer) ของ PDF โดยตรงเมื่อทำได้ ซึ่งได้ผลตรงตาม
ต้นฉบับ (lossless) และใช้ OCR เฉพาะหน้าที่เป็นภาพสแกน จึงครอบคลุมช่วงปีที่ `iapp` ยังไม่มี

**ความครอบคลุมของ `openlawdata` (รุ่นปัจจุบัน): ปี 2005–2026 — เอกสารทุกฉบับในช่วงนี้
ประมวลผลครบแล้ว 100%** โดยกว่า 99% อ่านได้จากชั้นข้อความของ PDF โดยตรง

เอกสารก่อนปี 2005 ส่วนใหญ่เป็นภาพสแกนที่ต้องใช้ OCR ซึ่งกำลังทยอยดำเนินการ และจะเพิ่มเข้ามา
ในรุ่นถัดไป (ช่วงปี 2011–2025 สามารถใช้ engine `iapp` ควบคู่กันได้)

**หมายเหตุ:** เอกสารที่ยังสกัดข้อความไม่ได้ (หน้าเป็นภาพสแกน รอ OCR) จะ**ไม่ปรากฏ**ในไฟล์
`openlawdata` แต่ metadata ยังอยู่ใน `meta/` ครบ ดังนั้นจำนวนบรรทัดต่อเดือนอาจน้อยกว่า `meta/`

## Data Fields

### `meta/<year>/<year-month>.jsonl`

**พาร์ทิชันคือปีของ*รหัส* ไม่ใช่ปีที่ประกาศ** — ไฟล์ `meta/<year>/<year-month>.jsonl` และ `taxonomy/.../<year>/<year-month>.jsonl` จัดตามรหัสเอกสาร (`pdf_file`) ซึ่งคงที่และถูกอ้างอิงไปแล้ว เอกสารที่พบว่าวันที่ต้นทางผิดและแก้จากหัวกระดาษ (ดู `publishDate_source`) จึงยังอยู่ในไฟล์เดิม ให้ใช้ `publishDate` เป็นวันประกาศเสมอ ไม่ใช่ชื่อไฟล์ · เอกสารเก่าที่ต้นทางเพิ่งนำขึ้นเว็บจะมี `added_date` บอกวันที่ต้นทางให้มา และ `repaired_fields` บอกว่า pipeline แก้ field ใดบ้าง

| Field Name | Description (TH) | Description (EN) |
| :--- | :--- | :--- |
| `no` | ลำดับที่เอกสาร | Document ID / Number |
| `doctitle` | ชื่อเรื่องหรือหัวข้อของเอกสาร | Title or topic of the document |
| `bookNo` | เล่มของราชกิจจานุเบกษา | Book number |
| `section` | ตอนของราชกิจจานุเบกษา | Section number |
| `category` | ประเภท (เช่น ก, ข, ง) | Category (e.g., A, B, D) |
| `publishDate` | วันที่ประกาศในราชกิจจานุเบกษา | Publication date |
| `pageNo` | หมายเลขหน้า | Page number |
| `pdf_file` | ชื่อไฟล์ PDF ต้นฉบับ | Filename of the source PDF |
| `source_url` | ลิงก์ PDF ต้นฉบับบน ratchakitcha.soc.go.th (`null` เมื่อยืนยันลิงก์ไม่ได้) | Source PDF URL at ratchakitcha.soc.go.th (`null` when it could not be verified) |
| `publishDate_source` | ที่มาของ `publishDate`: `source` (ต้นทาง) · `header` (แก้จากวันที่ในหัวกระดาษ เมื่อวันที่ต้นทางขัดกับเล่ม) · `source-contradicts-volume` (ขัดกับเล่มแต่ไม่มีหัวกระดาษให้แก้) | Where `publishDate` came from |
| `is_test` | `true` = เป็น record ทดสอบระบบของต้นทางเอง ("ทดสอบระบบ"/"ทดลองระบบ") ควรกรองออก | Source's own test record |
| `id` | รหัสเอกสารของต้นทาง (มีตั้งแต่ปลาย 2024; `null` ในรุ่นเก่า) | Source document id (null for legacy records) |
| `duplicate_of` | มีเฉพาะระเบียนที่ซ้ำกับระเบียนอื่นทุกช่องและ PDF เหมือนกันทุกไบต์ — ค่าคือ `pdf_file` ของระเบียนหลัก กรองออกเมื่อนับจำนวนเอกสาร | Present only on a record identical to another in every field and byte: that record's `pdf_file`. Leave these out when counting documents |

หมายเหตุ `publishDate` ที่ต้นทางให้มาเป็น `1970-01-01` (ค่าแทนวันที่ว่าง) ถูกแปลงเป็น `null`; `section` ว่างในปีก่อน 1950 เป็นปกติ (ราชกิจจาฯ ยุคแรกยังไม่มี "ตอน" ให้ค้นด้วย เล่ม+หน้า แทน)

### `ocr/openlawdata-ocr/<year>/<year-month>.jsonl`

**ดัชนีตำแหน่งไบต์** — `ocr/openlawdata-ocr/<year>/index.ndjson` หนึ่งบรรทัดต่อเอกสาร `{"doc_id", "file", "offset", "length"}` (ไบต์ในไฟล์รายเดือน) ใช้ดึงเอกสารเดียวด้วย HTTP Range request ครั้งเดียวโดยไม่ต้องโหลดทั้งเดือน (นามสกุล `.ndjson` เพื่อไม่ให้ถูกนับเป็นส่วนของ config `openlawdata`)

| Field Name | Description (TH) | Description (EN) |
| :--- | :--- | :--- |
| `pdf_file` | ชื่อไฟล์ PDF ต้นฉบับ (ใช้เชื่อมกับ `meta/`) | Source PDF filename — the join key |
| `doc_id` | รหัสเอกสาร | Document id |
| `text` | **ข้อความเต็มทั้งฉบับ** (รวมหัวกระดาษ เล่ม/ตอน/หน้า/วันที่) | Full document text |
| `n_pages` / `ocr_pages` | จำนวนหน้าทั้งหมด / จำนวนหน้าที่ต้องใช้ OCR | Total pages / pages needing OCR |
| `method` | วิธีที่ได้ข้อความมา: `direct`, `font`, `redecode` (สามอย่างนี้ lossless ไม่ผ่าน OCR), `typhoon`, `tesseract` | How the text was obtained |
| `is_valid` / `score` | ผลตรวจความสมบูรณ์ และคะแนน 0–1 | Validation flag and score |
| `doc_type` | ประเภทเอกสาร (ประกาศ, ระเบียบ, กฎกระทรวง ฯลฯ) | Document type |
| `issuer` / `issuing_authority` | ผู้ออก / หน่วยงาน | Issuer / authority |
| `title` / `subject` | ชื่อเรื่อง | Title / subject |
| `volume` / `volume_thai` | เล่ม (เลขอารบิก / เลขไทย) | Volume |
| `part` / `part_number` / `part_class` / `is_special` | ตอน, เลขตอน, ประเภทตอน (ก/ข/ง), เป็นฉบับพิเศษหรือไม่ | Part, number, class, special flag |
| `page` | เลขหน้าในราชกิจจานุเบกษา | Page number in the gazette |
| `publish_date` / `publish_date_thai` | วันที่ประกาศ (ISO / ไทย) | Publication date |
| `announcement_date` / `announcement_date_thai` | วันที่ลงนาม (ISO / ไทย) | Signing date |
| `signatories` | รายชื่อผู้ลงนาม `[{name, position}]` | Signatories |
| `reference_numbers` | เลขอ้างอิงที่พบในเอกสาร | Reference numbers found in the text |
| `doctitle` | **ชื่อเรื่องทางการจากต้นทาง** (join จาก `meta/`) — มีครบเกือบทุกฉบับ ต่างจาก `title` ที่แกะจากหน้ากระดาษและว่างราว 4% | Official title from the source catalogue |
| `meta_book_no` | เล่มที่ต้นทางระบุไว้สำหรับเอกสารนี้ — ถ้าต่างจาก `volume` เกิน 2 แปลว่าไฟล์ PDF ไม่ตรงกับรหัสเอกสาร (ดู *ข้อจำกัด*) | Source-declared volume; a gap > 2 from `volume` means a mismatched PDF |

### นำเข้า BigQuery

ไฟล์ `openlawdata` เป็น **newline-delimited JSON (NDJSON) แบบไม่บีบอัด** จึงโหลดเข้า BigQuery
ได้โดยตรงและโหลดแบบขนานได้เต็มที่ (ต่างจากไฟล์ `.gz` ที่ต้องแตกไฟล์แบบ single-thread)

```bash
# โหลดทั้งปี 2026 เข้าตารางเดียว (สร้าง schema อัตโนมัติ)
bq load --source_format=NEWLINE_DELIMITED_JSON --autodetect \
  my_dataset.ratchakitcha  'downloads/ocr/openlawdata-ocr/2026/*.jsonl'
```

โครงสร้างที่ได้: `signatories` เป็น `RECORD REPEATED` (`name`, `position`),
`reference_numbers` เป็น `STRING REPEATED`, ฟิลด์วันที่เป็นสตริงรูปแบบ `YYYY-MM-DD`
ทุกฟิลด์มีชนิดข้อมูลคงที่ทั้งชุด จึงไม่ทำให้ autodetect ล้มเหลว

**ตัวอย่างคิวรี** — เลือกเฉพาะเอกสารที่อ่านจากชั้นข้อความโดยตรง (แม่นที่สุด ไม่ผ่าน OCR)
```sql
SELECT publish_date, doc_type, issuer, title, text
FROM   my_dataset.ratchakitcha
WHERE  is_valid AND method IN ('direct','font','redecode')
```

### วิธีเลือกข้อมูลให้ตรงกับงาน

**`method` บอกว่าข้อความมาจากไหน** — เป็นตัวกรองคุณภาพที่สำคัญที่สุด

| `method` | ที่มา | ความแม่น |
| :--- | :--- | :--- |
| `direct` | อ่านจากชั้นข้อความของ PDF ตรงๆ | **ตรงต้นฉบับ (lossless)** |
| `font` | ชั้นข้อความเพี้ยน แต่ถอดกลับได้จาก glyph ของฟอนต์ | **ตรงต้นฉบับ (lossless)** |
| `redecode` | ชั้นข้อความถูก encode ผิด ถอดกลับได้ | **ตรงต้นฉบับ (lossless)** |
| `typhoon` | OCR จากภาพ (Typhoon VLM) | ~97% อาจมีอักขระเพี้ยน |
| `tesseract` | OCR จากภาพ (Tesseract) | ~94% |

```sql
-- ชุดที่แม่นที่สุด: ไม่ผ่าน OCR เลย + ผ่าน validation
WHERE is_valid AND method IN ('direct','font','redecode')
```
ในช่วง 2005–2026 เอกสาร **99.1% อยู่ในกลุ่ม lossless** และ **99.8% ผ่าน validation**

### ข้อจำกัดที่ควรทราบ

- **ใช้ `meta/` เป็นหลักสำหรับ เล่ม/ตอน/หน้า/วันที่** — ข้อมูลใน `meta/` มาจากระบบต้นทางของ
  ราชการโดยตรง ส่วนค่าเดียวกันใน `openlawdata` แยกวิเคราะห์มาจากตัวข้อความ จึงอาจคลาดเคลื่อนได้
  ในเอกสารที่จัดหน้าผิดปกติ
- **หัวกระดาษบางฉบับวรรณยุกต์ตก** (เช่น `หนา` แทน `หน้า`, `เลม` แทน `เล่ม`) พบราว 18% ของเอกสาร
  ที่สกัดแบบ `direct` ตั้งแต่ปี 2010 — เกิดจากตำแหน่งวรรณยุกต์ในชั้นข้อความของ PDF ไม่ใช่ OCR ผิด
  กระทบเฉพาะบรรทัดหัวกระดาษ ไม่กระทบเนื้อความ
- **เลขไทย/อารบิกปะปนกัน** — ชั้นข้อความอาจให้ `45/2562` ขณะที่หน้าเอกสารจริงพิมพ์ `๔๕/๒๕๖๒`
- **สระ/วรรณยุกต์สลับตำแหน่งในเอกสารคุณภาพต่ำ** พบราว **0.3% ของเอกสาร** (เช่น `เกณฑก์ าร`
  ที่ควรเป็น `เกณฑ์การ`) เกิดจากลำดับอักขระในชั้นข้อความของ PDF ต้นฉบับเอง เราเลือก**ไม่แก้อัตโนมัติ**
  เพราะการเดารวมอักขระอาจทำให้ข้อความผิดเพี้ยนกว่าเดิม — เอกสารกลุ่มนี้ยังอ่านได้ แต่ถ้าต้องการ
  ความแม่นสูงสุดควรตรวจกับ PDF ต้นฉบับ
- **เอกสารตารางมีสัดส่วนอักษรไทยต่ำโดยธรรมชาติ** (ตารางโควตา ผังเมือง ตารางทับศัพท์ภาษาต่างประเทศ)
  ไม่ใช่ข้อมูลเสีย
- **`text` รวมหัวกระดาษไว้ด้วย** (บรรทัด `หน้า .. เล่ม .. ราชกิจจานุเบกษา .. วันที่`)
  หากต้องการเฉพาะเนื้อความ ให้ตัดบรรทัดแรกๆ ออกเอง
- **เอกสารที่ยังไม่มีข้อความจะไม่ปรากฏในไฟล์** จำนวนบรรทัดต่อเดือนจึงอาจน้อยกว่าใน `meta/`
- มีเอกสาร 1 ฉบับ (ปี 1930) ที่ไฟล์ PDF ต้นทางเสียหายตั้งแต่ต้นทาง จึงไม่มีข้อความ
<!-- refile-note:begin -->
- **รหัสเอกสารกับไฟล์ PDF ถูกจัดให้ตรงกันแล้วทุกปี (แก้ 12–13 ก.ย. 2569)** — รหัสเอกสารรุ่นเก่า (`2014-006904`)
  คือ*ลำดับที่*ในผลค้นหาของระบบต้นทาง ไม่ใช่เลขประจำเอกสาร การดึงย้อนหลังเมื่อ ก.ค.–ส.ค. 2568 ดึง PDF กับ `meta/`
  จากลิสต์สองรอบที่ลำดับต่างกัน ทำให้รหัสเดียวถือ `meta/` ของเอกสารหนึ่งแต่ PDF ของอีกเอกสาร
  · **ปี 2002–2022** อ่าน เล่ม/ตอน/หน้า จากหัวกระดาษของทุกไฟล์แล้วย้ายไฟล์ไปยังรหัสที่ `meta/` ระบุ
  (376,867 ฉบับใน 2005–2022; 2004 เลื่อน +1/+3 เกือบทั้งปี, 2003 เลื่อน +28) แล้ว build ข้อความและ zip ใหม่
  · **ปี 1884–2001 (ภาพสแกน ไม่มีข้อความให้อ่านหัวกระดาษ)** เทียบขนาดไฟล์กับไฟล์ที่ต้นทางเสิร์ฟให้เอกสารนั้นวันนี้
  แล้วดาวน์โหลดฉบับที่ถูกมาแทน (27 ปี แทนที่ 194,262 ฉบับ ในจำนวนนี้เป็นช่องที่ไม่มีไฟล์มาก่อน 2,260 ฉบับ) · `meta/` ไม่เปลี่ยน (เป็นนิยามของรหัส)
  · ตรวจซ้ำหลังแก้: สุ่ม 200 รหัส/ปี ทุกปี 2005–2026 พิกัดในข้อความตรง `meta/` 4,310/4,322 ที่เทียบได้ ผิดฉบับ 0
  · ไฟล์ที่ย้ายออก/แทนที่ทุกฉบับมี journal ย้อนกลับได้ใน `raw/_refile/<ปี>/` (ไม่เผยแพร่)
- **ชั้น `ocr/iapp` คัดแล้ว (14 ก.ย. 2569)** — ข้อความ iapp ถูก OCR จากไฟล์ก่อนจัดรหัสใหม่ และมี record ว่างเปล่าหรือเป็น
  ข้อความ error ของบริการ OCR ปนอยู่ จึงคัดให้เหลือเฉพาะ record ที่ (1) มีข้อความจริง และ (2) ชื่อเรื่องหรือหัวกระดาษในข้อความ
  ยืนยันรหัสเอกสารได้ — **เหลือ 165,983 จาก 416,922 record** (ปี 2021 ไม่เหลือเลย จึงไม่มีโฟลเดอร์) ที่เหลือนี้ join กับ
  `meta/`/`ocr/openlawdata-ocr` ด้วย `pdf_file` ได้ตามปกติ · record ที่ย้ายรหัสมีฟิลด์ `data.rekeyed_from` บอกรหัสเดิม
- **ปี ≤2001 มีเฉพาะ PDF (`zip/`) และ `meta/`** — เป็นภาพสแกน ข้อความกำลังทยอย OCR ด้วย Typhoon
  และจะเผยแพร่ใน `ocr/openlawdata` เมื่อครอบคลุมพอ · รหัสที่ `meta/` ของต้นทางไม่ระบุ เล่ม/ตอน/หน้า
  (ราว 2,400 ฉบับ) ถูกเติมพิกัดจากต้นทางแล้วส่วนใหญ่ ที่เหลือยังไม่มีในชั้นข้อความ
<!-- refile-note:end -->
<!-- audit-note:begin -->
- **ตรวจทุกฉบับเทียบกับไฟล์ของต้นทางอีกรอบ และแก้แล้ว (ก.ย.–ต.ค. 2569)** — หลังมีผู้ใช้แจ้งว่าบางฉบับไม่ตรงกัน เราระบุทุกฉบับในหน้ารายการของต้นทางด้วยชื่อเรื่องและเลขหน้า แล้วเทียบไฟล์ของเรากับไฟล์ที่ต้นทางให้ทีละไบต์ ไฟล์ที่ต่างกันตัดสินด้วยหลักฐาน (md5 ตรงกับไฟล์ของระเบียนอื่น หรือชื่อเรื่องของระเบียนอยู่ในไฟล์ฝั่งไหน)
  · **PDF ที่พิสูจน์ได้ว่าผิด 5,103 ฉบับ** (เป็นเอกสารของระเบียนข้างเคียง กระจุกในฉบับพิเศษขนาดใหญ่ไม่กี่ตอน ที่ประกาศติดกันใช้แม่แบบเดียวกัน การตรวจรอบก่อนจึงมองไม่เห็น) และอีก 5,310 ฉบับที่ไฟล์ต่างจากต้นทางโดยไม่มีหลักฐานว่าฝั่งไหนถูก หรือต้นทางลงประกาศเดียวกันไว้หลายระเบียน — ทั้งหมดเปลี่ยนเป็นไฟล์ของต้นทาง แล้ว build ข้อความและ zip ใหม่
  · **ถ้าดาวน์โหลดไว้ก่อน ต.ค. 2569 ให้ดาวน์โหลดปีเหล่านี้ใหม่:** 2005, 2008, 2009, 2012, 2013, 2014, 2015, 2016, 2017, 2018, 2019, 2020, 2021, 2022 (และ 1976, 1978, 1998, 1999, 2001, 2002, 2003, 2007, 2011, 2025, 2026 ซึ่งเปลี่ยนปีละไม่กี่ฉบับ) ปีอื่นไม่มี PDF เปลี่ยน
  · `source_url` 2,293 ลิงก์เปลี่ยนเป็นลิงก์จากหน้ารายการของต้นทาง (เดิมสร้างจากเลข id) และ 488 ลิงก์ที่ยืนยันไม่ได้ตั้งเป็น `null` แทนการชี้ผิด · เติม เล่ม/ตอน/หน้า/หมวด ที่ว่างใน `meta/` 1,665 ฉบับ จากแถวในหน้ารายการของไฟล์ที่ยืนยันแล้ว (เติมเฉพาะช่องว่าง ไม่เปลี่ยนค่าที่มีอยู่)
  · **ระเบียนซ้ำ:** การดึงข้อมูลชุดใหญ่รอบแรก (ก.ค.–ส.ค. 2568) เก็บแถวเดียวกันของต้นทางไว้เป็นหลายระเบียน ส่วนใหญ่ในปี 1996–1999 ระเบียนที่ซ้ำกับระเบียนอื่นทุกช่องและ PDF เหมือนกันทุกไบต์ มีช่อง `duplicate_of` ชี้ไปยัง `pdf_file` ของระเบียนหลัก (ไม่ได้ลบ เพราะ `pdf_file` อาจถูกอ้างอิงอยู่แล้ว) — นับจำนวนเอกสารให้กรองระเบียนที่มี `duplicate_of` ออก (18,549 ระเบียน)
  · **เพิ่มระเบียนที่ขาด 8,983 ฉบับ (ต.ค. 2569)** — เทียบทุกเดือนตั้งแต่ 1884 กับจำนวนในระบบค้นหาของต้นทาง พบว่าการดึงรอบแรกข้ามบางช่วงไปทั้งก้อน และต้นทางเพิ่มเอกสารเก่าย้อนหลังบางส่วน: 1884 (363), 1997 (6,333), 2000 (523), 2001 (829), 2002 (640), 2025 (168), 2026 (106) และปีอื่นอีกเล็กน้อย ระเบียนที่เพิ่มมี `pdf_file` แบบ `<publishDate>-<เลขเอกสาร>` (เช่น `1997-01-30-01684682`) `repaired_fields: "added"` และ `added_date` เป็นวันที่เพิ่ม · ปี 1884 และ 1997 เป็นภาพสแกน ข้อความจะตามมาเมื่อ OCR ถึง · ตั้งแต่นี้มีการเทียบจำนวนรายเดือนกับต้นทางทุกสัปดาห์
  · ตรวจซ้ำหลังแก้: สุ่ม 2,200 ฉบับ (ปีละ 100) เทียบกับต้นทางเมื่อ 18 ต.ค. 2569 ไม่พบไฟล์ผิดฝั่งเรา · ไฟล์ที่เปลี่ยนทั้ง 10,408 ฉบับ ตรวจซ้ำกับต้นทางอีกครั้งเมื่อ 6 ต.ค. 2569: ยังเป็นไฟล์ของต้นทาง 10,408 ฉบับ · หัวกระดาษพิมพ์เล่มของปีที่ถูก 10,316 ฉบับ พิมพ์เล่มของปีอื่น 1 ฉบับ (ต้นทางพิมพ์เลขเล่มผิดในเอกสารเอง วันที่ถูก) · อีก 91 ฉบับเป็นภาพสแกน ไม่มีหัวกระดาษให้อ่าน · ระหว่างตรวจซ้ำพบ 19 ฉบับของปี 1998, 1999, 2003 ที่ลิงก์ของต้นทางเปิดได้ประกาศปี 2569 (ต้นทางนำเลขเอกสารเดิมไปใช้ใหม่) จึงคืนไฟล์ที่เรามีก่อนการแก้ ตั้ง `source_url` ของฉบับเหล่านี้เป็น `null` และปิดช่องโหว่ในด่านตรวจแล้ว
  · **ปัญหาฝั่งต้นทางที่เราแก้แทนไม่ได้:** ลิงก์ในหน้ารายการของต้นทางเปิดไม่ได้ (404) 2,010 ฉบับ · ลิงก์ของประกาศเก่าเปิดได้ประกาศปี 2569 8,350 ฉบับ (ส่วนใหญ่ปี 2003 ซึ่งต้นทางเอาออกจากระบบค้นหาแล้ว — `source_url` ของฉบับเหล่านี้ตั้งเป็น `null` แล้ว) · ไฟล์ของต้นทางเป็นเนื้อหาของประกาศอื่น 16 ฉบับ · สองประกาศใช้ไฟล์เดียวกัน 756 คู่ · หัวกระดาษพิมพ์เล่ม/ตอนไม่ตรงกับหน้ารายการ 10 ฉบับ — ลิงก์ที่เปิดไม่ได้หรือถูกใช้ซ้ำ เราเก็บสำเนาที่มีอยู่เดิมไว้ ไฟล์ผิดเรื่องหรือไฟล์ซ้ำ เราเก็บตามที่ต้นทางให้ และรวบรวมรายการทั้งหมดไว้แจ้งต้นทาง
  · ข้อจำกัด: ปี 2002–2003 ราว 13,300 ฉบับ ต้นทางไม่มีในระบบค้นหา จึงเทียบกับต้นทางไม่ได้ (ตรวจความสอดคล้องระหว่างหัวกระดาษกับ `meta/` แทน ไม่พบความผิด) · **ปี 1910–1939** `meta/` ไม่มีเลขตอน จึงตรวจด้วยชื่อเรื่องและวันที่แทน (ตรวจครบ 64,731 ฉบับ): ไฟล์ตรงกับของต้นทางทุกไบต์ 62,803 ฉบับ (97.0%) ไม่พบไฟล์ผิด อีก 1,928 ฉบับหาในหน้ารายการของต้นทางไม่เจอหรือยืนยันไม่ได้
<!-- audit-note:end -->
<!-- coverage-note:begin -->
- **เอกสารที่ไม่มีในชั้นข้อความ ให้ดูที่ `taxonomy.has_text`** — ไม่ต้องเทียบ `index.ndjson` กับ `meta/` เอง
  ชั้น `taxonomy` มีทุกฉบับที่ `meta/` มี และฟิลด์ `has_text` บอกตรงๆ ว่าฉบับนั้นมีข้อความใน
  `ocr/openlawdata-ocr` หรือไม่ · เอกสารที่ `has_text: false` **ไม่ได้หายไป** — ป้ายหมวดหมู่ของมัน
  วิเคราะห์จากชื่อเรื่องใน `meta/` อย่างเดียว ซึ่งเป็นหลักฐานที่น้อยกว่า
- **เหตุผลที่ไม่มีข้อความ มี 3 แบบ ไม่ใช่แบบเดียว** (สำรวจครบทุกฉบับ 15 ก.ย. 2569):
  · **10,912 ฉบับ — กันไว้โดยเจตนา ไม่ใช่ build ตกหล่น** ไฟล์ PDF อยู่ครบและสกัดข้อความได้
  แต่**พิสูจน์ไม่ได้ว่าไฟล์นั้นเป็นเอกสารของรหัสนี้จริง** จึงไม่เผยแพร่ข้อความของมัน
  การเผยแพร่ข้อความที่อาจเป็นของเอกสารอื่นภายใต้รหัสหนึ่ง แย่กว่าการไม่มีข้อความ
  (ทดลอง build โดยไม่กันออกเมื่อ 15 ก.ย. 2569 → ด่านตรวจพบทันทีว่าปี 2003 มี 290 ฉบับที่หัวกระดาษ
  เป็นของรหัสอื่น เลื่อนกันเป็น block ละ 28 ตำแหน่ง จึงย้อนกลับทั้งหมด)
  · **7,263 ฉบับ — เป็นภาพสแกนจริง** ไม่มีชั้นข้อความใน PDF (ส่วนใหญ่ปี 2002–2004)
  กำลังทยอย OCR ด้วย Typhoon และจะเข้าชั้นข้อความเมื่อทำถึง
  · **2,977 ฉบับ — ไม่มีไฟล์ PDF บนดิสก์** เป็นคนละปัญหา อยู่ระหว่างดึงไฟล์กลับมา
- **`index.ndjson` รับประกันตัวเองแล้ว** — ตั้งแต่ 15 ก.ย. 2569 ตัว build จะตรวจและ exit non-zero
  ถ้าอย่างใดอย่างหนึ่งไม่จริง: รายการแรกของทุกเดือนเริ่มที่ไบต์ 0 · `offset + length` ของทุก record
  เท่ากับ `offset` ของรายการถัดไปพอดี · รายการสุดท้ายจบตรงขนาดไฟล์ · จำนวน entry เท่ากับจำนวน record
  แปลว่า "ไม่มีใน index" = "ไม่มีในไฟล์" เชื่อถือได้โดยไม่ต้องพิสูจน์เอง
- **`source_url` ของปี 2002 จะไม่ครบ และไม่ใช่ข้อบกพร่องฝั่งเรา** — 5,844 ฉบับไม่มีลิงก์เพราะ
  *ระบบค้นหาของต้นทางเองไม่มีเอกสารเหล่านั้นอยู่ในดัชนี* (เช่น เล่ม 119 ตอน 79 ง คืนเฉพาะหน้า
  1, 7, 9, 11, 14, 26, 28, 47 ขณะที่เอกสารจริงมีถึงหน้า 130 กว่า) · พิกัดของเราถูก ไม่ใช่ของเขา:
  หน้าที่พิมพ์บนเอกสารตรงกับ `meta/` 298 จาก 300 ฉบับที่สุ่มตรวจ **PDF ปี 2002 ที่เรามีถูกต้อง
  ขาดเพียงลิงก์กลับไปต้นทาง**
- **`id` ของเอกสารก่อนปี 2024 เป็นค่าที่สร้างขึ้นใหม่ ไม่ใช่สตริงที่ต้นทางเคยออกให้** — ประกอบจาก
  `publishDate` + เลขเอกสารใน `source_url` เติมศูนย์ให้ครบ 8 หลัก ซึ่งเป็นสูตรเดียวกับที่ต้นทางใช้
  ในปี 2024–2026 (ตรงกัน 82,481 จาก 82,481 ฉบับ ไม่มีข้อยกเว้น) · ทุกฉบับที่สร้างค่าใหม่มี `id`
  อยู่ใน `repaired_fields` · ฉบับที่ไม่มี `source_url` ยังคงเป็น null
<!-- coverage-note:end -->

### การจัดทำข้อมูล

สกัดข้อความแบบ 3 ชั้น โดยพยายามอ่านจากชั้นข้อความของ PDF ก่อนเสมอ และใช้ OCR เฉพาะหน้าที่เป็น
ภาพสแกนจริงๆ ทุกฉบับผ่านการตรวจสอบอัตโนมัติ (ความครบของฟิลด์ วันที่ถอดได้ สัดส่วนอักษรไทย
การปนเปื้อนของอักขระเสีย) แล้วบันทึกผลไว้ในฟิลด์ `is_valid` และ `score`

ก่อนเผยแพร่ทุกครั้ง ไฟล์ทั้งชุดจะถูกตรวจซ้ำว่า: ทุกบรรทัดเป็น JSON ที่ถูกต้อง, ไม่มี path
ภายในหลุดออกมา, ไม่มีร่องรอยการสกัดผิดพลาดหลงเหลือ, `pdf_file` ไม่ซ้ำ และทุกฟิลด์มีชนิดข้อมูล
คงที่ทั้งชุด (เพื่อให้ `bq load --autodetect` ทำงานได้)

<!-- taxonomy:begin -->
## ชั้นหมวดหมู่ / taxonomy (`taxonomy/openlawdata-taxonomy/<year>/<year-month>.jsonl`)

ป้ายกำกับเชิงโครงสร้างของทุกเอกสารในชั้น `openlawdata` (faceted taxonomy: ต้นไม้หัวข้อ + 2 vocabulary แบน —
ไม่เรียก ontology เพราะยังไม่มี entity/relation) — **1 บรรทัด = 1 เอกสาร** เชื่อมกับ
`ocr/openlawdata` และ `meta/` ด้วย `pdf_file` เหมือนชั้นอื่น ตั้งใจแยกโฟลเดอร์ เพราะ rule จะปรับเรื่อยๆ
โดยไม่ต้องเผยแพร่ข้อความใหม่ทุกครั้ง (ดู `sieve_version`) · `taxonomy/` เป็นโฟลเดอร์รวมสำหรับชุดหมวดหมู่จากหลายผู้จัดทำ
ชุดนี้คือ `openlawdata-taxonomy`

สามแกนที่เป็นอิสระต่อกัน — เอกสารหนึ่งฉบับเป็นได้ทั้ง "แต่งตั้ง" และ "การต่างประเทศ" พร้อมกัน:

| แกน | field | ค่า | ความหมาย |
|---|---|---|---|
| เรื่องอะไร | `topic` | 76 หมวด มีลำดับชั้น (`taxonomy.json`) | เช่น `pollution_air` ⊂ `pollution` ⊂ `environment` |
| ทำอะไร | `action` | 10 แบบ | `rulemaking` `appointment` `registration` `court_order` `decoration` … |
| ใครออก | `govlevel` | 8 ระดับ | `central` `local` `provincial` `judiciary` `parliament` … |

ฟิลด์อื่น: `agency` / `agency_type` / `province` — ชื่อผู้ออกที่ **normalize แล้ว** (ตัวสะกดแปรผันของหน่วยงาน
เดียวกันยุบเป็นชื่อเดียว ชื่อที่ถูกตัดกลางบรรทัดในหัวเอกสารถูกเติมเป็นชื่อเต็ม แยกจังหวัดออกจากชื่อหน่วยงานตามรายชื่อ 77 จังหวัด) เหมาะใช้เป็น facet/index;
`issuing_authority` ดิบตามหน้ากระดาษยังอยู่ในชั้น ocr · `labels` = ป้ายทุกอัน (ทั้งสามแกน รวมหมวดแม่ที่
roll up มา) แต่ละอันมี `weight`, `matched_by` (หลักฐาน: `auth` `title` `head` `dtype` `partclass`) และ
`corroborated` · `extracted` = ข้อมูลสกัดเฉพาะหมวด (คดีล้มละลาย: `stage` `case_number` `case_book` `court` `debtor_type` = juristic/natural และ `debtor_name` **เฉพาะนิติบุคคล** — ชั้นนี้ไม่เก็บชื่อบุคคลธรรมดา)

**ป้ายที่เชื่อได้** — `topic_corroborated` / `action_corroborated` / `govlevel_corroborated` บอกว่าป้ายหลัก
ยืนอยู่บนหลักฐานเชิงโครงสร้าง (ผู้ออก ประเภทเอกสาร ตอนของราชกิจจา) หรือสองฟิลด์อิสระ อ่านตรวจด้วยคน
450 ฉบับ: สุ่มทั่วคลัง ป้ายที่ยืนยัน**ถูก 100%** [98.6–100] และมีป้ายยืนยัน 95.5% ของเอกสาร · หมวดที่ประชาชน
ค้นบ่อย 15 หมวด 97.9% · ป้ายที่ `corroborated: false` แม่นราว 61% — เก็บไว้เพื่อ recall ให้กรองเอง

```sql
-- BigQuery: กฎ/ระเบียบเรื่องขยะที่ท้องถิ่นออกใน 5 ปี พร้อมข้อความ
SELECT o.pdf_file, o.agency, o.province, t.title, t.publish_date
FROM taxonomy o JOIN ocr t USING (pdf_file)
WHERE o.topic_corroborated AND o.topic = 'pollution_waste'
  AND o.govlevel = 'local' AND t.publish_date >= '2021-01-01'
```

`taxonomy.json` = รายการ slug → ชื่อไทย/หมวดแม่/แกน ใช้ roll up ได้เอง · เป็น rule-based ล้วน (ไม่มี ML)
ไม่มีข้อมูลส่วนบุคคลในชั้นนี้ · ยังไม่มีปี 2000–2001 (ชั้น ocr ของปีนั้นรอ OCR ภาพสแกน)
<!-- taxonomy:end -->

## Legal & License

ข้อมูลนี้ได้รับการสนับสนุนจาก **สำนักเลขาธิการคณะรัฐมนตรี** ตามหนังสือตอบข้อหารือ "ด่วนที่สุด ที่ นร ๐๕๐๓/๑๘๗๓๙" ลงวันที่ 29 กรกฎาคม 2568 เพื่อประโยชน์สาธารณะและการพัฒนาเทคโนโลยีปัญญาประดิษฐ์ (AI)

**Disclaimer:** ข้อมูลนี้จัดทำขึ้นเพื่อความสะดวกในการเข้าถึงและวิเคราะห์ข้อมูลเท่านั้น การอ้างอิงทางกฎหมายอย่างเป็นทางการควรตรวจสอบกับต้นฉบับ PDF จากเว็บไซต์ [ratchakitcha.soc.go.th](https://ratchakitcha.soc.go.th/) โดยตรง

## Contact

  - **Project:** Open Law Data Thailand
  - **Website:** https://www.openlawdatathailand.org/