RETROBI Softwarová aplikace pro zpřístupnění digitalizované lístkové kartotéky Retrospektivní bibliografie české literatury

Transkript

1 RETROBI Softwarová aplikace pro zpřístupnění digitalizované lístkové kartotéky Retrospektivní bibliografie české literatury Vojtěch Malínek, Ústav pro českou literaturu AV ČR, v. v. i.

2 RETROSPEKTIVNÍ BIBLIOGRAFIE ČESKÉ LITERATURY lístková kartotéka zpracovávána od 30. let cca 525 zpracovaných titulů novin a časopisů vycházejících na území českých zemí v češtině i němčině cca 1,65 mil. excerpt primární i sekundární článková bibliografie (tj. včetně beletrie a překladů + neliterární texty českých literátů; široké přesahy do příbuzných oborů: divadlo, žurnalistika, historie...) promyšlené řazení, dodnes živá autorská, odkazová, předmětová, dešifrační a dešifrátová část; ikonické katalogy; odkaz na týž článek může být v kartotéce opakovaně (různá kritéria)

3

4

5

6

7

8

9

10

11

12 SYSTÉM RETROBI grantový projekt: Digitalizace lístkového katalogu Retrospektivní bibliografie české literatury poskytovatel dotace: MŠMT doba řešení: 10/ /2011 cíl: digitalizace kartotéky + vývoj vhodného software pro její prezentaci

13 SYSTÉM RETROBI Problémy při zpracování dat 1) různorodá kvalita (strojopis, rukopis, barevný inkoust, průklepy, různé druhy a tloušťky papíru...) 2) oboustranné a vícelístkové lístky a jejich spárování 3) mechanická příprava a kontrola lístků 4) detekce prázdných stran 5) napojení na OCR přepisy a databázové struktury 6) volba grafického formátu vhodného pro OCR rekognoskaci, webovou aplikaci a archivaci 7) volba skeneru 8) nastavení Fine Readeru 9) kontrola integrity dat Formát výstupu: Objem zpracovávaných dat: oboustranný barevný TIFF, 600 dpi (26 MB) cca 90 TB, záloha cca 20 TB (tif), 1 TB (png)

14 SYSTÉM RETROBI Nástroj 1 detekce prázdných stran spárování víceobrázkových lístků přejmenování souboru na tvar zkratka části katalogu-název skupiny-pořadové číslo lístkupořadové číslo obrázku, tj. např tif O-Čapek, Karel tif automatizovaná kontrola vstupních a výstupních dat ruční kontroly sudých stran (otáčení lístků, makulatury)

15 SYSTÉM RETROBI Nástroj 2 spojení lístků s jejich OCR textovým přepisem v jednu databázovou položku (jedno- i vícelístkové lístky) konverze tiffů na záložní png (z 26 MB na 1 MB) a prohlížecí png na web (do 50 kb) export dat do webové aplikace separována stromová struktura jako členicí kostra možnost uploadu tiffů i png kontrola integrity dat (obrázky bez txt atp.) kontrolní log

16 SYSTÉM RETROBI Webová aplikace 1) Prohlížení oskenovaných obrázků 2) Fulltextové vyhledávání 3) Uživatelské nástroje 4) Nástroje pro uživatelskou editaci 5) Nástroje pro administrátorskou editaci 6) Administrátorské rozhraní pro správu dat a uživatelských účtů

17 SYSTÉM RETROBI Prohlížení oskenovaných obrázků průchod katalogem zobrazení variantních podob lístku zobrazení OCR přepisů zobrazení vyplněných datových struktur (OCR přepis, jeho korekce, segmentace, položkový rozpis)

18 SYSTÉM RETROBI Fulltextové vyhledávání vyhledávací engine Lucene vyhledává fráze či řetězce možnost využití divokých karet hledání abecedního / číselného intervalu jednoduchý i kombinovaný dotaz s logickými operátory omezení na část/i katalogu omezení dle kvality textového přepisu, popř. na konkrétní položku omezení na schránku možnost rozlišovat velká a malá písmena připraveny algoritmy pro položkové vyhledávání

19 SYSTÉM RETROBI Nástroje pro uživatelskou editaci možnost editace OCR textů možnost segmentace OCR textů zkvalitnění vyhledávání generován text ve formátu normovaného bibliografického zápisu

20 SYSTÉM RETROBI Uživatelské nástroje možnost vytváření vlastních rešerší (schránka) možnost ukládat vlastní schránky (na vlastní PC i v rámci aplikace) možnost přidat vlastní komentář systém uživatelských hlášení

21 SYSTÉM RETROBI Nástroje pro administrátorskou editaci funkce pro uživatele s oprávněním editor možnost položkového rozpisu možnost hromadné editace dat možnost změny statutu lístku možnost generovat krycí lístek možnost měnit obrazové soubory u lístku

22 SYSTÉM RETROBI Administrátorský modul evidence a správa uživatelských hlášení (včetně automatických hlášek o přepisu) evidence a správa uživatelských účtů evidence a správa doprovodných textů (nápovědy, legendy atp.) možnost vytvořit rejstříky pro jednotlivá pole kontrolní csv logy

23 SYSTÉM RETROBI Statistiky a zkušenosti spuštěn na jaře registrovaných uživatelů cca 700 unikátních uživatelů/měsíc cca 50 návštěv/den cca přepsaných lístků projekt bibliografie Arne Nováka modifikace pro jiné kartotéky

24 RETROSPEKTIVNÍ BIBLIOGRAFIE ČESKÉ LITERATURY Počet excerpčních lístků v Retrospektivní bibliografii Počet stránek lístku AUT ODK PT DE IA IO IAn. ID IP Celkem a více Celkem

25 RETROSPEKTIVNÍ BIBLIOGRAFIE ČESKÉ LITERATURY Statistiky Rok Počet záznamů Osoba Karel Hynek Mácha Božena Němcová Karel Čapek Počet záznamů

26 DEN S RETROSPEKTIVNÍ BIBLIOGRAFIÍ ČESKÉ LITERATURY 11. prosince 2012 Ústav pro českou literaturu AV ČR, v. v. i. Na Florenci 3/1420, Praha 1 představení systému odborný seminář kulatý stůl

27 SYSTÉM RETROBI Děkuji za pozornost. Web: Kontakty: Ústav pro českou literaturu AV ČR Středisko literárněvědných informací

28