Runeberg

runeberg@lists.lysator.liu.se

2 participants
302 discussions

Projekt Runeberg har scannat 200.000 boksidor
by Lars Aronsson 22 Jun '04

22 Jun '04

Pressmeddelande Datum: 22 juni 2004 Från: Projekt Runeberg, http://runeberg.org/ Kontaktperson: Lars Aronsson, projektledare, telefon +46-70-7891609 Kontaktadress: redaktion(a)runeberg.org Ärende: Inscanningen av äldre nordisk litteratur har nått 200.000 boksidor, detsamma som 10 hyllmeter Pressmeddelandet: http://runeberg.org/admin/20040622.html == Projekt Runeberg firar 10 hyllmeter med Anna Maria Lenngren == En sida ur Anna Maria Lenngrens "Samlade skaldeförsök" från 1876 blev boksida nummer 200.000 som Projekt Runeberg lägger ut gratis på nätet. Så många boksidor motsvarar 10 hyllmeter litteratur, och det är vad idealisterna i Linköping har att visa upp på http://runeberg.org/ Närmare bestämt var det dikten "Slottet och kojan" på sidan 41 som blev jubilaren. Den scannades in den 22 juni 2004, fyra dagar efter att dikterskan själv fyllde 250 år. Hon föddes nämligen 18 juni 1754. Dikten finns nu på http://runeberg.org/lenngren/0067.html Projekt Runeberg är något av det äldsta som finns på Internet. Redan 1992 började några dåvarande studenter vid Linköpings universitet att lägga upp texter ur äldre nordisk litteratur på en nätsida. Sedan dess har det fortsatt som ett fritidsprojekt där studenter och före detta studenter möts. Till sin hjälp har de också hundratals frivilliga medhjälpare, som håller kontakten via nätet. Även om arbetet utförs ideellt och Linköpings universitet bjuder på anslutningen till Internet, så är Projekt Runeberg beroende av enskildas gåvor bland annat för underhåll och utbyggnad av servern. Donationer av böcker att scanna är också välkomna. Det handlar oftast om utrensningar från bibliotek, som tvingas se över sitt lokalbehov. Varje månad levererar Projekt Runebergs webbplats tre miljoner sidvisningar till 200.000 unika besökare. Trafikmängden har stadigt ökat med 60 procent om året, och alltså tiofaldigats på fem år. Tack vare webbplatsens goda struktur, är det lätt för andra webbplatser att länka direkt till olika författare, böcker och enskilda boksidor, och det verkar även som om det seriösa innehållet har en hög trovärdighet hos nätets stora sökmotorer. Dikter har från starten varit en viktig del av samlingen, eftersom de är lagom långa att läsa på skärmen och eftersom sökmöjligheten är ovärderlig när man letar efter kända citat. Men även romaner, uppslagsverk, musik, tidskrifter och facklitteratur om allt från blommor till radioapparater finns bland de tio hyllmeter som står till fritt förfogande för allmänheten. Det handlar då om de äldsta radioapparaterna från 1920-talet. Böckerna måste vara äldre än sjuttio år för att inte omfattas av upphovsrätt. Under de första åren knappades texterna in på vanliga tangentbord, men nu är det scanning av hela boksidor som gäller inom Projekt Runeberg. Genom att först scanna bilder av boksidorna får man en exakt och trovärdig avbildning i faksimil, som sedan kan användas vid korrekturläsning av den maskinellt tolkade texten. Projekt Runeberg har vänt upp och ned på digitaliseringen genom att först publicera och sedan låta läsarna på frivillig grund korrekturläsa texterna via sina webbläsare. Detta gör att fler böcker kan digitaliseras på kortare tid än som annars hade varit möjligt. Det största enskilda verket i samlingen är Nordisk familjebok, det klassiska svenska uppslagsverket i 38 band från 1920-talet, vars digitala utgåva blev färdigt för ett år sedan, i maj 2003. Då var Projekt Runeberg bara hälften så stort som idag. Vid halvårsskiftet 2003 omfattade det fem hyllmeter. Under det senaste året har samlingen alltså fördubblats. Bland det senaste årets tillskott märks många böcker på danska och norska. Projekt Runeberg har sedan starten en nordisk profil, men det svenska innehållet har kommit att dominera, och nu vill man återupprätta balansen. Därför finns Dansk biografisk Lexikon (19 band) och Henrik Ibsens samlade verk (10 band) bland nytillskotten, liksom den danska "Tidsskrift for Physik og Chemi" av vilken man digitaliserat åtta årgångar från 1870-talet. Men det största icke-svenska verket är ändå Salmonsens konversationsleksion, det klassiska danska uppslagsverket, där hittills sju av 26 band är inscannade. Den svenska samlingen har vuxit starkt under senaste året. Märkligt nog har August Strindberg länge varit underrepresenterad på Internet, vilket hänger samman med upphovsrättsproblemen runt den prestigefulla Nationalutgåvan. Projekt Runeberg har nu funnit en kompromiss genom att i stället digitalisera den äldre utgåvan "Samlade skrifter" från 1910-talet. Hittills är 42 av 55 band inscannade. Andra klassiska svenska författare som nu är väl representerade är Bengt Lidner, Anna Maria Lenngren och Carl Anton Wetterbergh, mer känd under pseudonymen Onkel Adam. Utgåvor av olika författares "samlade verk" lämpar sig mycket bra för digitalisering och kan användas som snabb referens för den som inte hinner besöka biblioteket så ofta. En starkt växande del av Projekt Runebergs bestånd är tidskrifter och årsböcker. Svenska Turistföreningen, Svenska Naturskyddsföreningen och Personhistoriska Samfundet är några sammanslutningar som numera kan betrakta Projekt Runeberg som sitt digitala arkiv för de äldsta utgåvorna. De kanske mest besökta sidorna på Projekt Runebergs webbplats kommer från inscannade uppslagsverk. Där finns inte bara de stora Nordisk familjebok, Salmonsens konversationsleksikon och Dansk biografisk Lexikon, utan även ordböcker och mer specialiserade verk, som Höijers Musik-Lexikon, Ankjærs Geografisk-Statistisk Haandbog, Nordisk illustreret Havebrugsleksikon (om trädgårdsodling), Cavallins Swensk-Latinsk Ordbok, Hellquists Svensk etymologisk ordbok och till och med två äldre utgåvor av Svenska Akademiens ordlista. -- Lars Aronsson (lars(a)aronsson.se) Projekt Runeberg - fri nordisk litteratur - http://runeberg.org/

1 0

Proofreading in May 2004
by Lars Aronsson 03 Jun '04

03 Jun '04

Project Runeberg, At the end of May 2004, Project Runeberg's digital facsimile editions comprised 190,642 pages (+4734 during the month) or 9.5 linear meters of shelving, of which 182,002 had been OCRed, 136,079 had been indexed (+6893), and 31,918 had been fully proofread (+2277). The relatively high increase in the number of indexed pages is explained by the fact that I finally paid attention to some indexing contributions for Nordisk familjebok that had been in my inbox for some time. Indexing still depends on the manual attention of our editors (including me), unfortunately. Even though the number of facsimile pages increased by 4734, not this many pages were scanned during the month. Some belong to books that were available all the time, but that we had failed to count. We use the estimate that 20,000 pages correspond to one linear meter of shelving (hyllmeter, reolmeter). It was only in July 2003 that we reached 100,000 pages (5 meters), and with only 10,000 pages to go it is still possible that we can reach twice that number within July. Whether we shall be able to continue to double our collection also in the coming year, depends on the number of volunteers with scanners. We already have plenty of books to scan, and we accept more donations. During May 2004, a total of 4346 proofreading contributions were received from 61 identified volunteers. The following volunteers were the most active: Edits Signature ----- --------- 777 agneta 726 Steen.Roennow 462 fh 441 fm 351 lars 243 bernhard 235 teresia_fredriksson 108 anders.thapper 68 hartwig.alpers 56 jens.christian.berlin 53 bert Edits were made to 3610 different pages in 119 different works. Most edits were made to the following works or collections: Edits Work Title ----- -------- ----- 977 dbl Dansk biografisk Lexikon 529 garibald Giuseppe Garibaldi 434 nf Nordisk familjebok 337 strindbg Samlade skrifter av August Strindberg 242 sbh Svenskt biografiskt handlexikon 179 tiphyche Tidsskrift for Physik og Chemi 157 hvar8dag Hvar 8 dag 148 snf Svenska Naturskyddsföreningens årsbok 131 hanstark Elefantjägaren Hans Stark 119 sqvinnor Anteckningar om svenska qvinnor 80 famijour Svenska Familj-Journalen 68 djaknar De vandrande djäknarne 66 frostmo Barnen ifrån Frostmofjället 54 topesang Sånger -- Lars Aronsson (lars(a)aronsson.se) Project Runeberg - free Nordic literature - http://runeberg.org/

1 0

June 6 in Swedish history and Onkel Adam
by Lars Aronsson 03 Jun '04

03 Jun '04

Project Runeberg, A new month is here and a new version of Project Runebergs front web page, http://runeberg.org/ On Sunday June 6, Sweden celebrates its national holiday. It's not called "independence day", because there is no definite point in history when Sweden became independent (from what?), but the closest we get is when rebellion leader Gustav Vasa succeeded in 1521 to break Sweden out of union with Denmark (the Kalmar Union, 1397-1521). Two years later, on June 6, 1523, he allowed himself to be appointed king Gustav I (Gustav the first) of Sweden. Gustav later introduced Lutheranism, centralized government, bureaucracy, laid the foundation for the National Archives, and reshaped Swedish society in general. So it's not only his beard that resembles Fidel Castro. June 6 was also the day, in 1630, that his grandson Gustavus Adolphus (Gustav II Adolf) landed on Germany's shore to join the protestant forces in the Thirty Years' War. The place he landed was Peenemünde on the island Usedom, where a memorial monument was put in 1930, less than a decade before Wernher von Braun built the Nazi V2 rocket lab in the same place. King Gustavus Adolphus died in November 1632 in the Battle of Lützen, but the war lasted til 1648. In the Peace of Westphalia, the province of Vorpommern in northern Germany became part of the Swedish kingdom, and stayed so for more than 150 years. In envy of other countries that had an independence day to celebrate, the "day of the Swedish flag" was first celebrated on June 6, 1916. In 1983 it was officially renamed the national holiday. In 1995 Sweden joined the European Union, where Denmark had been since 1973, as if to say that 474 years of "independence" was about enough. Of course, Sweden was also in a union with Norway from 1814 to 1905, but in this case Norway depended on Sweden. Oddly enough, Norway celebrates its independence day in memory of May 17, 1814, not 1905. Next year, in 2005, we will commemorate the events of 1905. Of all the above, Sweden's history of "glorious wars", what does Project Runeberg celebrate on June 6, 2004? -- Nothing, really. On this month's version of our front web page, http://runeberg.org/ we bring your attention to the 200th anniversary of the birth of Carl Anton Wetterbergh (June 6, 1804 -- January 31, 1889). He was a Swedish physician with liberal ideas, who also wrote short stories, using the pen name Onkel Adam (where onkel is Swedish for uncle). In 1862 he also started a monthly magazine for children, Linnea, which he edited (and wrote most of its contents) for ten years. Some of his books were reprinted after his death, but none after 1910. This means they are hard to find in second hand bookstores, and libraries often keep 19th century books locked away in closed stacks. We have digitized two pamphlets, one novel, and two collections of short stories. All are in Swedish: * The pamphlet "Arbetskompagnier och jernvägsarbeten" from 1848 suggests a way to fight unemployment and at the same time help finance railroad building ventures by instituting governmental labour companies. (The first railroad in Sweden was opened in 1856.) * The pamphlet "Om Behandlingen af den Asiatiska Choleran" from 1853 summarizes the author's experience and recommendations from the outbreak of cholera in Sweden in 1834 and 1853. * "Simon Sellners rikedomar" is a novel, first published in 1853, although we have digitized the 2nd edition from 1891. * "Berättelser, skizzer och noveller" is a recompilation of the author's previously published short stories that appeared after his death in 1889. * "Ur Onkel Adams portfölj", also from 1889, is a posthumous collection of short stories that were previously unpublished or had only appeared in magazines. In the 1910s, when Swedish conservative national romanticism was at a peak, this liberal doctor from the mid 19th century was not in fashion. The Swedish encyclopedia "Nordisk familjebok" (1921) dismisses his output as having little literary value. He spends scores of words on describing trivial interiors without reaching any dramatic point. He doesn't describe Sweden's glorious wars and kings, but cares for the poor and unemployed, both in his political and medical pamphlets and in his novels and short stories. A more recent account, published in 2003, is more approving of Onkel Adam's style and life. Gunnar Lindqvist is the author of the chapter "En radikal Onkel" in "Från skilda utsikter", 2003 (ISBN 9178431859), a book about eightteen writers from the province Östergötland. Perhaps this will help spark new interest in his writings. To read up (in English) on old Swedish kings, I recommend these Wikipedia articles, * http://en.wikipedia.org/wiki/Kalmar_Union * http://en.wikipedia.org/wiki/Gustav_I_of_Sweden * http://en.wikipedia.org/wiki/Gustavus_Adolphus * http://en.wikipedia.org/wiki/National_holiday_of_Sweden -- Lars Aronsson (lars(a)aronsson.se) Project Runeberg - free Nordic literature - http://runeberg.org/

1 0

Statusrapport
by Lars Aronsson 18 May '04

18 May '04

Projekt Runeberg, Idag, det vill säga igår, kväll hölls årsmöte i studenternas datorförening LYSATOR vid Linköpings universitet, där Projekt Runeberg har sin hemvist. Där avgav jag, i egenskap av projektledare, följande statusrapport: Projekt Runeberg, ett Lysator-projekt för att publicera äldre nordisk litteratur på Internet, grundades i december 1992 och har under det gångna året firat sitt 11-årsjubileum. Projektledare har sedan starten varit Lars Aronsson. En kärntrupp av lysiter, den så kallade redaktionen, umgås dagligen i LysKOM. En större krets av frivilliga medarbetare nås genom utskick på en e-postlista. Projektets officiella adress är http://runeberg.org/ På kvällen den 16 maj 2004 fanns i Projekt Runebergs samlingar 439 olika verk i form av elektronisk text och/eller digital faksimil. Faksimilsamlingarna omfattade 186.557 boksidor fördelade på 457 större och mindre volymer (från tunna tidningshäften till tjocka bokband). Detta motsvarar drygt nio hyllmeter. För ett år sedan var faksimilavdelningen ungefär hälften så stor som idag. Ungefär en fjärdedel av faksimilsidorna utgörs av de två första utgåvorna av det klassiska svenska uppslagsverket "Nordisk familjebok", vars digitalisering avslutades i maj 2003. En ambition för det kommande året är att locka fler frivilliga att scanna, för att kunna fortsätta öka tillväxttakten. Detta kräver att en del rutiner förenklas och automatiseras, så att belastningen på redaktionen inte ökas. Under året har Projekt Runeberg tagit emot flera donationer av äldre böcker och tidskrifter som förhoppningsvis kan digitaliseras framöver. Men det är inte bara inscanningen av nya sidor som ökat kraftigt, utan även korrekturläsningen som sedan 2002 görs av frivilliga direkt över webben. Nu är 30.738 sidor fullständigt korrekturlästa, vilket under våren 2004 har ökat med cirka 3.000 sidor per månad. Utöver digitaliserad litteratur, innehåller Projekt Runeberg även en samling presentationer av nordiska författare, "Nordic Authors". Den bygger på en lista med 27.000 namn varav 4.700 har fått kortare eller längre presentationer. Utökningen av denna samling består nu i allt högre grad av hänvisningar till Wikipedia, ett flerspråkigt uppslagsverk med fritt innehåll som byggs upp av frivilliga. Under året har Projekt Runeberg fått en ny sökfunktion för författarna i Nordic Authors och katalogen över digitaliserade verk. Sökformuläret för detta finns på http://runeberg.org/search.pl För närvarande pågår utveckling av sökfunktioner för fulltext, där hittills Google har använts, via en sökruta som finns i sidhuvudet på varje webbsida. Inom Projekt Runeberg sker en övergång från Pike till Perl som programspråk. I vintras skaffade Projekt Runeberg en egen server, Fatabur, som kör Linux och använder prisbilliga ATA-diskar. Fatabur har en Intel P4 Celeron CPU i 2,4 GHz, 1024 MB RAM och för närvarande 160 GB speglad disk. Drifttagningen skedde ungefär samtidigt som Lysators webbserver flyttade från Lenin (Solaris) till Sherman (Linux). Övergången har bromsats av att Fatabur saknar tillfredsställande backup. Fortfarande ligger därför stora delar av Projekt Runebergs webbplats på Lysators server (Sherman). För att finansiera fortsatt utbyggnad, har Projekt Runeberg under våren börjat tigga penninggåvor, vilket hittills bara inbringat 1.800 kronor (200 euro). Detta räcker inte långt, och aktivare tiggeri kommer att krävas. -- Lars Aronsson (lars(a)aronsson.se) Projekt Runeberg - fri nordisk litteratur - http://runeberg.org/

1 0

Ny sökfunktion
by Lars Aronsson 11 May '04

11 May '04

Projekt Runebergs webbsidor har en ny sökfunktion. Den ser ut och fungerar precis som den gamla, så vad är nytt? Högst upp på varje webbsida, i det svarta sidhuvudet, finns en liten sökruta med en knapp som det står "search" på. När man skriver in något i rutan och trycker ENTER eller klickar på knappen, så får man en lista av sökträffar från Google. Skillnaden mot igår är att sökningen numera mellanlandar på Projekt Runebergs server. Den som tar en titt på webbsidans källkod (view source) upptäcker att det är scriptet http://runeberg.org/search.pl som tar emot sökningen, och att sökfältet har namnet "q". Om man har en egen webbplats och vill göra en länk till ett sökuttryck, kan man länka till http://runeberg.org/search.pl?q=petter+dass för att hitta information om den norske psalmförfattaren. Det här är samma script (search.pl) som numera används för att söka författare inom Nordic Authors ( http://runeberg.org/authors/ ) och det kommer successivt att utökas med fler funktioner. För sökning i fulltext slussar den vidare sökningen till Google. Men först sparar den en rad i en loggfil, där vi i redaktionen kan gå in och se vad det är folk söker efter. Så här kan det se ut: 20040511 17:17:01 query: röda korset 20040511 17:19:16 query: Charlotte Brontë 20040511 17:20:35 query: vrick 20040511 17:21:04 query: vattenkraft 20040511 17:21:16 query: vattenkraft 20040511 17:21:43 query: snus 20040511 17:23:44 query: älvkarleby 20040511 17:24:03 query: Homofon 20040511 17:25:32 query: Petter Dass 20040511 17:25:38 query: åtalsimmunitet Förmodligen är det samma person som sökt på "vattenkraft" och "älvkarleby", men vi bokför inte *vem* som sökt, bara *vad* man har sökt efter (och när). Tanken med loggen är att vi ska kunna se vad våra läsare vill veta. Kanske är det någon författare vi saknar (Charlotte Brontë) eller något begrepp som behöver förklaras. Efter att den nya sökfunktionen (med loggning) varit igång nästan en hel dag och 792 sökningar har gjorts, har följande visat sig vara de vanligaste frågorna: 6 lödöse 4 pinal 4 kornisch 4 charles dickens 3 smith carl frithjof 3 sarasov 3 brønshøj Inom ett dygn kommer Petter Dass att vara den vanligaste sökningen. Det räcker att sju personer klickar på söklänken här ovan. Givetvis måste vi låta funktionen vara i drift lite längre innan statistiken blir tillförlitlig och användbar. -- Lars Aronsson (lars(a)aronsson.se) Projekt Runeberg - fri nordisk litteratur - http://runeberg.org/

1 0

OCR errors
by Bernhard Johanson 04 May '04

04 May '04

When I noticed that the same errors occured from time to time, I found it convenient to extract the raw OCR texts into a single file containing 10, or sometimes 100 single pages. Then I could apply the replace command in MS World to correct the reoccuring errors. First removing the OCR thrash (tabs, spurious chars) and the extra spaces (which, although not appearing in HTML, are a bit annoying when proofreading), then the most common errors, such as 'rn' instead of 'm' etc. The swedish words 'han' occuring as 'lima' and 'med' as 'umeå'(!) are among the more noteworthy. Having the text in a separate file, makes it possible to arrange the fascimile text (browser) to the left of the screen and the OCR text to the right (Notepad), thus faciliating the proofreading. It is possible to use MS Word to insert tags like with a single keypress. After using Word, I find it necessary, however, to filter the text through Notepad, in order to be sure that no Microsoft special chars are hidden somewhere. For example, Word might convert short dashes into long, etc. Bernhard Johanson runeberg-request(a)lists.lysator.liu.se wrote: >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-admin(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. Most common proofreading edits (Lars Aronsson) > 2. Re: Most common proofreading edits (Lars Aronsson) > >--__--__-- > >Message: 1 >Date: Tue, 4 May 2004 01:04:22 +0200 (CEST) >From: Lars Aronsson <lars(a)aronsson.se> >To: runeberg(a)lists.lysator.liu.se >Subject: [Runeberg] Most common proofreading edits > > >Project Runeberg, > >Today (well, yesterday) I noticed that the work >http://runeberg.org/akrell/ was completely proofread. If you have >been watching the "Recent changes" page, you have seen the signature >"jens.christian.berlin" working on this title in the last months. > >These are the political memoirs of three prominent Swedish gentlemen, >Carl Fredrik Akrell, Samuel Gustaf von Troil, and Per Sahlström, >published in 1884-1885, titled "Minnen från Carl XIV:s, Oscar I:s och >Carl XV:s dagar". Among other things, they describe the political >debates about the introduction of the electric telepgraph in Sweden, >some early railroads and also the first macadam covered country road >in southern Sweden. It is a single volume of 562 pages that I scanned >and OCR-ed in August 2003. > >So today I wrote a program to see which kinds of edits are most >commonly needed to get the text in order after OCR. This is easy to >do, as our website saves all old versions of every text. These are my >findings, listed from the most frequent ones, down: > > 378 [---] {+--+} > 128 {++} > 91 {++} > >Here, [- and -] surround parts that were removed, while {+ and +} >surround parts that were inserted. This means in 378 places, a single >dash "-" was changed into a double "--". In 128 places, an opening >italics tag "" was inserted, and in 91 places, a closing italics >tag "" was inserted. It could seem like a mystery that these >numbers are not equal. However, this is only an unfortunate result of >how my program works. The missing tags are found further down >the list. > >These are by far the most common edits done to this book. I think you >all agree that a lot of work could be saved if the OCR software would >get this right in the first place. > >In total over all 562 pages, I counted to 5268 different changes, or >an average of 9.3 changes per page. The three above (long dashes and >italics) make up 378 + 128 + 91 = 597 changes or 11 percent of all >changes in the proofreading of this book. > >Let's continue down the list. Here, some common OCR errors are >starting to show: > > 31 [-l-] {+1+} > 28 {+<tab>+} > 28 [-sorn-] {+som+} > 26 [-.-] > 21 [-deri-] {+den+} > 20 {++} > 19 {+*+} > 18 [-ined-] {+med+} > 17 [-rnig-] {+mig+} > 17 [-Lubeck-] {+Lübeck+} > 16 [-örn-] {+om+} > 16 [-rned-] {+med+} > 16 [-Munchen-] {+München+} > 15 {+ +} > 12 [-eri-] {+en+} > 12 [-*-] > 11 [-ä-] {+à+} > 10 [-rnin-] {+min+} > 10 [-jäg-] {+jag+} > 10 [-a-] {+à+} > 10 [-'-] > 9 [-ätt-] {+att+} > 9 [-pä-] {+på+} > 8 [-rnå-] {+må+} > 7 {+* +} > 7 [-fastade-] {+fästade+} > 7 [-dä-] {+då+} > 7 [-G-] {+C+} > 7 [-,-] > 6 {++} > 6 [-mön-] {+mon+} > 6 [-Wurtemberg-] {+Würtemberg+} > 5 [-å-] {+à+} > 5 [-upp--] > 5 [-och.-] {+och+} > 5 [-for-] {+för+} > 5 [-alt-] {+att+} > 5 [-Goswig-] {+Coswig+} > 5 [-Gassel-] {+Cassel+} > 5 [-Biilow-] {+Bülow+} > 5 [---] > >Also among the changes that only occur once, patterns are to be seen, >e.g., the removal of page numbers: > > 1 [-175-] > 1 [-174-] > >the editing of numbers and fractals: > > 1 [-2J/2-] {+2 1/2+} > 1 [-2:rie-] {+2:ne+} > >and the removal of "OCR dirt", small dots that shouldn't be there: > > 1 [-.kärft-] {+kärft+} > 1 [-.kryssning-] {+kryssning+} > 1 [-.komminister-] {+komminister+} > 1 [-.klass-] {+klass+} > 1 [-.intellektuel-] {+intellektuel+} > 1 [-.inqvartering-] {+inqvartering+} > 1 [-.idéen-] {+idéen+} > 1 [-.han-] {+han+} > 1 [-.hafva-] {+hafva+} > 1 [-.gjort-] {+gjort+} > >Sometimes when the OCR software doesn't find a word in its dictionary, >it tries to split it into two recognized words, which the proofreader >than has to join: > > 1 [-artilleri vetenskapen-] {+artillerivetenskapen+} > > > > >

1 0

Most common proofreading edits
by Lars Aronsson 04 May '04

04 May '04

Project Runeberg, Today (well, yesterday) I noticed that the work http://runeberg.org/akrell/ was completely proofread. If you have been watching the "Recent changes" page, you have seen the signature "jens.christian.berlin" working on this title in the last months. These are the political memoirs of three prominent Swedish gentlemen, Carl Fredrik Akrell, Samuel Gustaf von Troil, and Per Sahlström, published in 1884-1885, titled "Minnen från Carl XIV:s, Oscar I:s och Carl XV:s dagar". Among other things, they describe the political debates about the introduction of the electric telepgraph in Sweden, some early railroads and also the first macadam covered country road in southern Sweden. It is a single volume of 562 pages that I scanned and OCR-ed in August 2003. So today I wrote a program to see which kinds of edits are most commonly needed to get the text in order after OCR. This is easy to do, as our website saves all old versions of every text. These are my findings, listed from the most frequent ones, down: 378 [---] {+--+} 128 {++} 91 {++} Here, [- and -] surround parts that were removed, while {+ and +} surround parts that were inserted. This means in 378 places, a single dash "-" was changed into a double "--". In 128 places, an opening italics tag "" was inserted, and in 91 places, a closing italics tag "" was inserted. It could seem like a mystery that these numbers are not equal. However, this is only an unfortunate result of how my program works. The missing tags are found further down the list. These are by far the most common edits done to this book. I think you all agree that a lot of work could be saved if the OCR software would get this right in the first place. In total over all 562 pages, I counted to 5268 different changes, or an average of 9.3 changes per page. The three above (long dashes and italics) make up 378 + 128 + 91 = 597 changes or 11 percent of all changes in the proofreading of this book. Let's continue down the list. Here, some common OCR errors are starting to show: 31 [-l-] {+1+} 28 {+<tab>+} 28 [-sorn-] {+som+} 26 [-.-] 21 [-deri-] {+den+} 20 {++} 19 {+*+} 18 [-ined-] {+med+} 17 [-rnig-] {+mig+} 17 [-Lubeck-] {+Lübeck+} 16 [-örn-] {+om+} 16 [-rned-] {+med+} 16 [-Munchen-] {+München+} 15 {+ +} 12 [-eri-] {+en+} 12 [-*-] 11 [-ä-] {+à+} 10 [-rnin-] {+min+} 10 [-jäg-] {+jag+} 10 [-a-] {+à+} 10 [-'-] 9 [-ätt-] {+att+} 9 [-pä-] {+på+} 8 [-rnå-] {+må+} 7 {+* +} 7 [-fastade-] {+fästade+} 7 [-dä-] {+då+} 7 [-G-] {+C+} 7 [-,-] 6 {++} 6 [-mön-] {+mon+} 6 [-Wurtemberg-] {+Würtemberg+} 5 [-å-] {+à+} 5 [-upp--] 5 [-och.-] {+och+} 5 [-for-] {+för+} 5 [-alt-] {+att+} 5 [-Goswig-] {+Coswig+} 5 [-Gassel-] {+Cassel+} 5 [-Biilow-] {+Bülow+} 5 [---] Also among the changes that only occur once, patterns are to be seen, e.g., the removal of page numbers: 1 [-175-] 1 [-174-] the editing of numbers and fractals: 1 [-2J/2-] {+2 1/2+} 1 [-2:rie-] {+2:ne+} and the removal of "OCR dirt", small dots that shouldn't be there: 1 [-.kärft-] {+kärft+} 1 [-.kryssning-] {+kryssning+} 1 [-.komminister-] {+komminister+} 1 [-.klass-] {+klass+} 1 [-.intellektuel-] {+intellektuel+} 1 [-.inqvartering-] {+inqvartering+} 1 [-.idéen-] {+idéen+} 1 [-.han-] {+han+} 1 [-.hafva-] {+hafva+} 1 [-.gjort-] {+gjort+} Sometimes when the OCR software doesn't find a word in its dictionary, it tries to split it into two recognized words, which the proofreader than has to join: 1 [-artilleri vetenskapen-] {+artillerivetenskapen+} -- Lars Aronsson (lars(a)aronsson.se) Project Runeberg - free Nordic literature - http://runeberg.org/

1 1

Proofreading statistics for April 2004
by Lars Aronsson 01 May '04

01 May '04

Project Runeberg, To get an idea of how many volumes and pages a work contains and how many of those are proofread, you will now find the colorful "proof bars" (proofreading status bar graphs) next to the table of contents of each work. You can now click on these bars to jump directly to individual pages, where you can take up proofreading. For example, for the work "strindbg" (Samlade skrifter av August Strindberg), go to http://runeberg.org/strindbg/ and scroll to the end of that page. Immediately above the proof bars is the heading "Korrstaplar / Proof bars" that you can click to read an explanation of the colors. This explanation is available in English and Swedish, and it's on our wiki where you can help to improve it. During April 2004, a total of 5979 proofreading contributions (edits) were received from 70 identified volunteers. The following volunteers were the most active: Edits Signature ----- --------- 1455 agneta (+ ag) 1082 Steen.Roennow 766 lars 570 fh 533 fm 331 bernhard.johanson 160 anders.thapper 78 maggieandersson 77 hartwig.alpers 60 bernhard 50 jens.christian.berlin 43 teresia_fredriksson 40 bertil.ohrman 26 john.munkholm 24 olleolleolle 23 esoj 17 robro2 15 unicorn 15 orsval 13 peter9 Edits were made to 5266 different pages in 129 different works. Most edits were made to the following works: Edits Work Title ----- -------- ----- 1148 dbl Dansk biografisk Lexikon 790 strindbg Samlade skrifter av August Strindberg 684 snoildik Samlade dikter 423 nf Nordisk familjebok 402 sbh Svenskt biografiskt handlexikon 393 sqvinnor Anteckningar om svenska qvinnor 255 garibald Giuseppe Garibaldi 231 tiphyche Tidsskrift for Physik og Chemi 140 svekon19 Svensk konst och svenska konstnärer i nittonde... 124 liwing Dawid Liwingstone, hans person och missionsverksamhet 115 famijour Svenska Familj-Journalen 114 hvar8dag Hvar 8 dag 98 krigsaga Krigets tekniska sagor för stora och små 87 runeberg Samlade skrifter 79 bjorfort Bjørnstjerne Bjørnsons Fortællinger 75 akrell Minnen från Carl XIV:s, Oscar I:s och Carl XV:s dagar 59 vintgron Vintergrønt 58 frostmo Barnen ifrån Frostmofjället 51 pht Personhistorisk tidskrift 50 salmonsen Salmonsens konversationsleksikon 43 bremlett America of the Fifties: Letters of Fredrika Bremer 35 svfldagb En svensk flickas dagbok under krigsfångenskap... 34 norge80 Norge. Uddrag af ældre og nyere Forfatteres Skrifter 32 svetym Svensk etymologisk ordbok 31 havebrug Nordisk illustreret Havebrugsleksikon -- Lars Aronsson (lars(a)aronsson.se) Classic Nordic Literature online since 1992 - http://runeberg.org/

1 0

En t u n g html-sida
by Bernhard Johanson 29 Apr '04

29 Apr '04

Sidan http://www.lysator.liu.se/runeberg/status.html är oerhört tung att läsa in, åtminstone med mina 500 kbit. (Det är ju inte alla som sitter uppkopplade med 100 Mbit!). Datorn blir praktiskt taget blockerad i flera minuter. Skulle man inte kunna dela upp den lite, så att varje bokverk får en egen sida? Eller åtminstone partitionera den? Bernhard Johanson

2 1

Indexering av "ugglan"
by Lars Aronsson 26 Apr '04

26 Apr '04

Projekt Runeberg, De senaste dagarna har jag tagit om hand den sista tidens inkomna bidrag i indexeringen av uggleupplagan av Nordisk familjebok. De 38 banden omfattar tillsammans 29226 sidor och av dessa är nu 15567 sidor eller 53 procent indexerade. Vi har alltså passerat hälften... http://runeberg.org/nf/ http://runeberg.org/wiki/Indexering_av_uggleupplagan Bara 857 av sidorna (3 procent) är korrekturlästa. Visst är det mycket att korrekturläsa, men man kan ju välja ut några sidor och artiklar om intressanta ämnen, t.ex. Archimedes eller Ryssläder. -- Lars Aronsson (lars(a)aronsson.se) Projekt Runeberg - ditt digitala bibliotek - http://runeberg.org/

1 0

← Newer
1
...
20
21
22
23
24
25
26
...
31
Older →

Jump to page:

2025

2024

2023

2022

2021

2020

2019

2018

2017

2016

2015

2014

2013

2012

2011

2010

2009

2008

2007

2006

2005

2004

2003

2002

Runeberg