Runeberg

runeberg@lists.lysator.liu.se

299 discussions

OCR-hjälp
by Lars Aronsson 15 Feb '11

15 Feb '11

Projekt Runeberg, Jag upptäckte att Google har scannat P.G. Bergs "Svenskt konversationslexikon", det första uppslagsverk som skrevs på svenska, alla 4 banden, och även första halvan av Dalins ordbok. Jag laddade upp dem till Internet Archvie i hoppet att de skulle bli OCR-tolkade där, men detta misslyckades tydligen. Är det någon som orkar ta på sig att OCR-tolka de här volymerna, så kanske det vore idé att lägga upp dem i Projekt Runeberg. http://www.archive.org/details/PG_Berg_Svenskt_konversationslexikon_1 http://www.archive.org/details/PG_Berg_Svenskt_konversationslexikon_2 http://www.archive.org/details/PG_Berg_Svenskt_konversationslexikon_3 http://www.archive.org/details/PG_Berg_Svenskt_konversationslexikon_4 http://www.archive.org/details/Dalin_Ordbok_ofver_svenska_spraket_1 -- Lars Aronsson (lars(a)aronsson.se) Projekt Runeberg - fri nordisk litteratur - http://runeberg.org/

2 1

Re: [Runeberg] Runeberg Digest, Vol 48, Issue 2
by louise javaherian 13 Feb '11

13 Feb '11

Thank you. -----Original Message----- From: runeberg-bounces(a)lists.lysator.liu.se [mailto:runeberg-bounces@lists.lysator.liu.se] On Behalf Of runeberg-request(a)lists.lysator.liu.se Sent: Sunday, February 13, 2011 3:00 AM To: runeberg(a)lists.lysator.liu.se Subject: Runeberg Digest, Vol 48, Issue 2 Send Runeberg mailing list submissions to runeberg(a)lists.lysator.liu.se To subscribe or unsubscribe via the World Wide Web, visit http://lists.lysator.liu.se/mailman/listinfo/runeberg or, via email, send a message with subject or body 'help' to runeberg-request(a)lists.lysator.liu.se You can reach the person managing the list at runeberg-owner(a)lists.lysator.liu.se When replying, please edit your Subject line so it is more specific than "Re: Contents of Runeberg digest..." Today's Topics: 1. Send Runeberg mailing list submissions to (Morten Fjeldsaunet) ---------------------------------------------------------------------- Message: 1 Date: Sat, 12 Feb 2011 12:10:43 +0100 From: Morten Fjeldsaunet <mofjelds(a)gmail.com> Subject: [Runeberg] Send Runeberg mailing list submissions to To: runeberg(a)lists.lysator.liu.se Message-ID: <AANLkTi=7xjRcZYSEOUKhDm+ta84DKgg=m5OKqq2nVW_C(a)mail.gmail.com> Content-Type: text/plain; charset="iso-8859-1"

1 0

Send Runeberg mailing list submissions to
by Morten Fjeldsaunet 12 Feb '11

12 Feb '11

1 0

En miljon tack
by Lars Aronsson 22 Sep '10

22 Sep '10

Projekt Runeberg, [summary in English below] Umeå universitetsbibliotek tillkännagav idag att de börjar scanna böcker "på begäran" mot en viss avgift. De har redan ett digitaliseringsprojekt, där de digitaliserar böcker, men om man vill smita före i kön och få en viss bok digitaliserad redan nu, så kan man betala för den förmånen. Man kan klicka in sin beställning direkt i bibliotekskatalogen. Det verkar som om deras pris är 100 kronor per bok plus 1:50 kr per sida. En bok om 360 sidor kostar 640 kronor. Detta erbjudande är kanske inte så användbart, men det är intressant ur en aspekt: Det sätter en prislapp på inscanning. Om man skulle vilja åstadkomma Projekt Runebergs samling (1735 böcker, 609.150 sidor) på begäran, så går det nu att beräkna kostnaden för detta. Den blir 1,09 miljoner kronor. Då talar vi alltså enbart om inscanning, inte om den stora arbetsmängden i Projekt Runeberg: korrekturläsningen. Så jag vill rikta en miljon tack till alla medarbetare! Det är ni nämligen värda, med råge. Pressmeddelandet från Umeå universitet, http://www.umu.se/om-universitetet/aktuellt/nyheter/nyhetsvisning/umea-univ… P.S. Om ni besöker Bokmässan i Göteborg nu i helgen, så hälsa på i monter E00:11, där jag står med föreningen Wikimedia Sverige. == Summary in English == Umeå university library announced today that they are joining the international "E-books on demand" project. If you want a digital copy of one of their out-of-copyright books, you can order this directly from their online library catalog and pay a fee that amounts to roughly 100 SEK pr book + 1.50 pr page (US$ 15/book + 0.20/page). If Project Runeberg's 1735 books with 609,150 pages were scanned this way, that would have cost 1.09 million SEK or US$ 160,000. Then again, the lion share of our worth is in proofreading. And having done this since 1992: priceless. -- Lars Aronsson (lars(a)aronsson.se) Projekt Runeberg - fri nordisk litteratur - http://runeberg.org/

1 0

Updating Articles.lst
by Lars Aronsson 11 Jun '10

11 Jun '10

Projekt Runeberg, [summary in English below] Möjligheten att direkt uppdatera Articles.lst, alltså en boks innehållsförteckning, har stängts av. Det är en rätt avancerad funktion som används av ett fåtal personer. Tyvärr missbrukas den också av spammare och det saknas funktioner för klottersanering och blockering. Det betyder att all vandalisering måste återställas manuellt av oss i redaktionen och den extra arbetsbelastningen har vi inte kapacitet för. Våra funktioner för korrekturläsning var rätt avancerade när de skapades åren 2000-2007. När man idag (2010) jämför dem med vad som finns inom Wikipedia så bleknar intrycket. För att vara användbara måste funktionerna vara mer robusta och genomtänkta än de är idag. Någon gång i framtiden kanske vi får tid och resurser att ägna oss åt detta. ENGLISH SUMMARY: The ability to directly update the file Article.lst, i.e. the table of contents of a book, has been disabled. This is an advanced feature that a few contributors use. However, it is also abused by spammers and it lacks mechanisms to control and revert vandalism. The manual work needed to clean up this spam is more than we can or want to handle. -- Lars Aronsson (lars(a)aronsson.se) Project Runeberg - free Nordic literature - http://runeberg.org/

1 0

(no subject)
by David Saros 05 Mar '10

05 Mar '10

hej jag vill skanna in verk till runeberg så jag vill lära mig hela processen speciellt hur man publicerar på internet _________________________________________________________________ Klicka här! http://new.windowslivemobile.msn.com/SE-SE/windows-live-hotmail/default.aspx

2 1

Re: [Runeberg] Stora sidor
by Erik Pedersen 26 Feb '10

26 Feb '10

On 24-Feb-10, Lars Aronsson wrote: > > [ENGLISH SUMMARY: How should we build a better website for > large size newspapers? Is it possible to link to a position > in a large image? Which websites have solved this problem?] > > Om man länkar till en sida i Sundsvalls Tidning, så har man sex > spalter att > leta i, innan man hittar den artikel eller annons som man ville > länka till. > Lät mig ge ett exempel på problemet: > > Hitta artikeln "Häftig snöstorm i Newyork" på den här sidan, > http://runeberg.org/sundtidn/1888/0143.html > > Det går inte helt fort att hitta. Artikeln finns i spalt 4, nedanför > Stanley-expeditionen, Ryske tronföljaren och Sur mjölk. > > I en vanlig webbsida (HTML) kan man sätta in "ankare" och länka > till dem > med # i URLen. Men hur gör man för att länka till en viss position i > en stor bild? Finns det några bra lösningar för detta? Några > förebilder? > > Kort sagt: Finns det några webbsajter med inscannade dagstidningar, > som > har lyckats lösa detta pä ett bra sätt? > > Detta utgör inget problem i vanliga böcker och tidskrifter, i små > tidningar.... > Det är når man kommer till dagstidningar i stort format med 6 eller 8 > spalter som problemet ger sig till könna. Dear Lars, [SVENSKA SAMMANFATTNING: Korrekturläsning af tidningens plakatsidor utgör en särskild utmaning. Karakter-baserade PDF-filer kan innehålla lokala lenker, men bildbaserade PDF-filer kan icke. Arbeta i en textredigerare och Acrobat kan vara enklare än att använda Runebergs gränssnittet.] As an exercise, I proofread this page last night and uploaded the result to the Runeberg project. I agree that it is not easy to deal with such large pages. I simplified my task by copying the entire page of OCR text into a text file which I enlarged to 16 point Courier (so that I could easily tell the difference between capital letter I, lowercase letter l and the numeral 1, for instance). The image was, indeed, a very large file to look through. Other Runeberg proofreaders may also try making a local copy of the page scan (right-click on the Print/PDF button near the top left of Runeberg's page) and viewing it from within Adobe Acrobat. This can be helpful, especially with viewing the small type, since Acrobat allows for much bigger enlargements than Runeberg's default maximum of 200 percent. I was pleased to see that the OCR text was arranged in logical order as opposed to strict physical column order. That was definitely helpful. Since some preprocessing of the OCR text must have been necessary to achieve this, perhaps the scanning person could divide up future page images into smaller chunks, each representing a complete article or a group of ads and/or filler material. I think this is how of copies of New York Times articles from the 1800s appear when one does a Google search for them. (Unfortunately, it seems that access to such archived PDF articles now requires a paid subscription.) The alternative might be to arbitrarily break up future page scans (before OCR) into perhaps four smaller PDFs, representing the top and bottom halves of three columns each. This has the advantage of making the proofreading task more manageable (since each sub-page can be completed in less time and with less demand on one's computer), but also has two disadvantages. First, the text files resulting from sub- page scans might not be complete articles, since it is possible for an article to run the whole height of a column or to span the two middle columns, and thereby not be complete on a single sub-page. Secondly, there would need to be some overlap, at least in the top and bottom sub-pages, which would result in a little bit of duplicated effort as well as subsequent processing to combine the scanned and proofread text from two or more sub-pages into a single text file. Other Runeberg proofreaders may also try making a local copy of the page scan (right-click on the Print/PDF button near the top left of Runeberg's page) and viewing it from within Adobe Acrobat. This can be helpful, especially with viewing the small type, since Acrobat allows much bigger enlargements than Runeberg's default maximum of 200 percent. Using a page makeup program such as Adobe InDesign or Quark XPress, one can produce a compact character-text-only PDF or a text-and- imported-illustrations PDF that replicates the look of the original scanned-image-only PDF. With a text-based PDF generated from such a typographic page layout program, it is easy to incorporate any desired links. However, I know of no way to link to particular areas of a scanned bitmap-only PDF, which is really only a wrapper for a downsampled TIFF or JPEG file produced by the scanner. Proofreading broadsheet newspaper pages represents a special challenge; it may be that the complexity of the task cannot be readily eased. Good luck to those who volunteer to help. Kind regards / Med venlig hilsen, Erik Bjørn Pedersen

1 0

Stora sidor
by Lars Aronsson 24 Feb '10

24 Feb '10

Projekt Runeberg, [ENGLISH SUMMARY: How should we build a better website for large size newspapers? Is it possible to link to a position in a large image? Which websites have solved this problem?] Hur borde Projekt Runebergs webbplats se ut, om den var full av dagstidningar? Vi har redan idag första numret av Aftonbladet och Östgöta Correspondenten, men dessa är rätt små till formatet. En större drake är Sundsvalls tidning. http://runeberg.org/ab/ http://runeberg.org/corren/ http://runeberg.org/sundtidn/ Om man länkar till en sida i Sundsvalls Tidning, så har man sex spalter att leta i, innan man hittar den artikel eller annons som man ville länka till. Låt mig ge ett exempel på problemet: Hitta artikeln "Häftig snöstorm i Newyork" på den här sidan, http://runeberg.org/sundtidn/1888/0143.html Det går inte helt fort att hitta. Artikeln finns i spalt 4, nedanför Stanley-expeditionen, Ryske tronföljaren och Sur mjölk. I en vanlig webbsida (HTML) kan man sätta in "ankare" och länka till dem med # i URLen. Men hur gör man för att länka till en viss position i en stor bild? Finns det några bra lösningar för detta? Några förebilder? Kort sagt: Finns det några webbsajter med inscannade dagstidningar, som har lyckats lösa detta på ett bra sätt? Detta utgör inget problem i vanliga böcker och tidskrifter, i små tidningar, eller ens i uppslagsverk i två spalter (där artiklarna ändå står alfabetiskt). Det är när man kommer till dagstidningar i stort format med 6 eller 8 spalter som problemet ger sig till känna. -- Lars Aronsson (lars(a)aronsson.se) Projekt Runeberg - fri nordisk litteratur - http://runeberg.org/

1 0

Julpyssel för programmerare
by Lars Aronsson 16 Dec '09

16 Dec '09

Projekt Runeberg, [This software development challenge is presented in Swedish only.] Några gamla inscannade årgångar av "Vem är det" är en märklig erfarenhet att läsa och korrekturläsa. Utgivaren har gjort ett tappert försök att klämma in cirka 5000 biografier på 1000 sidor och lösningen är en extrem användning av förkortningar. Ett exempel: KTH 16, tekn. dr 30, res:off. 11, bitr. ing. i V. o. V:styr. 16, ing. v. SKF fr. 17, ch. f. tekn. avd. där fr. 37. Detta uttyds: Examen från Kungliga Tekniska Högskolan 1916, teknologie doktor 1930, reservofficer 1911, biträndande ingenjör i Väg- och vattenbyggnadsstyrelsen 1916, ingenjör vid Svenska Kullagerfabriken från 1917, chef för tekniska avdelningen där från 1937. Detta skapar flera problem: OCR-programmet bygger på ordlistor, men de här förkortningarna finns inte i ordlistan och därför är det en stor andel OCR-fel, som kräver mycket korrekturläsning. När väl OCR-texten är korrekturläst, är resultatet ändå en samling kryptiska förkortningar, som är svår för läsaren att begripa och omöjlig för sökmotorerna att indexera. Det är ju ingen som söker på "hhövd i Hbg", utan man vill kunna söka på "häradshövding i Helsingborg". Jag tror att lösningen är att "skriva rent" de biografiska upplysningarna i klartext (som jag gjorde ovan) och göra dem till artiklar i Wikipedia. Men kanske kan man automatisera den här uttydningen? Den programmerare som vill ha lite julpyssel kanske kan försöka skriva ett program för att göra översättningen? Enklast är väl att skriva ett program som arbetar på den korrekturlästa texten (som i exemplet ovan). Men kanske går det också att bearbeta OCR-texten före korrekturläsning? Vi har flera titlar och årgångar att bjuda på, som alla bjuder på variationer i förkortningarna, men grundproblemet är detsamma: svenska, http://runeberg.org/vemardet/ http://runeberg.org/vemarvem/ http://runeberg.org/vemindu/ norska, http://runeberg.org/hvemerhvem/ http://runeberg.org/merkbio/ danska, http://runeberg.org/blaabog/ -- Lars Aronsson (lars(a)aronsson.se) Projekt Runeberg - fri nordisk litteratur - http://runeberg.org/

1 0

Restart, book scanner
by Lars Aronsson 14 Dec '09

14 Dec '09

Projekt Runeberg, ENGLISH: So, our server is now running Ubuntu Linux 9.10 and most things seem to have gone fine. We're still not sure about everything. We had some more interruptions. If you read Wired magazine, you'll find a description of a home-made book scanner built from two cheap digital cameras. It would be interesting to know if any of you have tried to build something similar? http://www.wired.com/gadgetlab/2009/12/diy-book-scanner/ SVENSKA: Vår server är nu uppgraderad till Ubuntu Linux 9.10 och det mesta verkar ha gått fint. Men det har varit lite skakigt så allt är kanske inte på plats än. Om ni läser amerikanska datortidningen Wired, så hittar ni en beskrivning av hur man kan bygga en bokscanner av två billiga digitalkameror. Det vore intressant att höra om någon av er försökt att göra något liknande? http://www.wired.com/gadgetlab/2009/12/diy-book-scanner/ -- Lars Aronsson (lars(a)aronsson.se) Project Runeberg - free Nordic literature - http://runeberg.org/

1 0

Jump to page:

2024

2023

2022

2021

2020

2019

2018

2017

2016

2015

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

2003

2002

Runeberg