Till Tommy Riboe m. fl.
Det finnas faktiskt ett undantag till, nämligen om nästa rad börjar med en versal, typ Schleswig-Holstein Sedan är väl frågan om indrag av rad ska avlägsnas, vilket jag tycker. I gamla OCR, åtminstone, återfinns tabbar och mångdubbla spaces. Kanske även de bör sållas bort, allt för att underlätta korrekturläsningen.
Vänl. Bernhard Johanson
----- Original Message ----- From: runeberg-request@lists.lysator.liu.se To: runeberg@lists.lysator.liu.se Sent: Wednesday, January 28, 2004 11:00 AM Subject: Runeberg digest, Vol 1 #49 - 5 msgs
Send Runeberg mailing list submissions to runeberg@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@lists.lysator.liu.se
You can reach the person managing the list at runeberg-admin@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:
=?iso-8859-1?Q?SV:_=5BRuneberg=5D_Vill_du_hj=E4lpa_Projekt_Runeberg_progr?=
=?iso-8859-1?Q?ammera=3F?= (Tommy Riboe (E-mail 2))
=?iso-8859-1?Q?SV:_=5BRuneberg=5D_Vill_du_hj=E4lpa_Projekt_Runeberg_progr?=
=?iso-8859-1?Q?ammera=3F?= (Tommy Riboe)
- =?windows-1252?Q? RE: [Runeberg] Vill du hj=E4lpa Projekt Runeberg
progr ammera??= (Ketil Firing Hanssen )
--__--__--
Message: 1 Reply-To: tommy.riboe@bbab.se From: "Tommy Riboe (E-mail 2)" tommy.riboe@swipnet.se To: runeberg@lists.lysator.liu.se Date: Wed, 28 Jan 2004 00:48:02 +0100 Subject: [Runeberg]
=?iso-8859-1?Q?SV:_=5BRuneberg=5D_Vill_du_hj=E4lpa_Projekt_Runeberg_progr?=
=?iso-8859-1?Q?ammera=3F?=
*** omsändning med av listan godkänd mejladress ***
Jag byggde vidare på regexp-exemplet från Bengt och kan nu erbjuda nedanstående förslag. Eftersom jag är så gott som nybörjare på Perl så skall mitt exempel tas som ett algoritmförslag och kompletteras med felhantering och liknande. Dessutom har jag säkert missat något undantagsfall. Det verkar i alla fall fungera med den medföljande texten utökad med enstaka instanser av mina undantag.
mvh Tommy Riboe
#============================================ #!/bin/perl # # huvudregel: # a) rader vars sista ord slutar med '-' bryts före avstavat ord # b) avstavat ord sammanfogas på nästa rad # c) indrag bibehålles # # undantag: # a) rad som slutar med tankstreck (ensamt '-') # b) rad som slutar med förled i upprepade sammansatta ord # c) avstavning i sidans sista rad # # vid undantag b) flyttas förledet till följande rad
seek(STDIN, 0, SEEK_SET); $line= ""; $nextline= ""; $spill = "";
#if (<STDIN>) { # läs in första raden $line = <STDIN>; { # avlägsna ord som slutar med bindestreck från # slutet av raden, med undantag för ensamma # bindestreck, placera avlägsnad text i $spill $line =~ s/(\s*)(.*)( +?)(\S+?)-$/\1\2/; $spill = $4; } print $line;
while (<STDIN>) {
# testa om nästa rad börjar med "och", "eller" # (bör mer naturligt placeras efter nästa sats # och använda sig av $nextline) if (/^\s*(och|eller).*$/) { $spill = $spill . "- "; } # förbered nästa rad $nextline = $_; # sätt ihop marginal + spill + nästa_rad $nextline =~ s/(\s*)(.+?)$/$1$spill$2/; # gör nästa rad till aktuell rad $line = $nextline; # avlägsna ord som slutar med bindestreck från # slutet av raden, med undantag för ensamma # bindestreck, placera avlägsnad text i $spill $line =~ s/(\s*)(.*)( +?)(\S+?)-$/\1\2/; $spill = $4; print $line;} #} print "\n(till nästa sida: " . $spill . ")\n"; #============================================
-----Ursprungligt meddelande----- Från: runeberg-admin@lists.lysator.liu.se [mailto:runeberg-admin@lists.lysator.liu.se]För Bengt J. Olsson Skickat: den 27 januari 2004 00:00 Till: runeberg@lists.lysator.liu.se; Hans Persson Ämne: [Runeberg] Re: [Runeberg] Vill du hjälpa Projekt Runeberg programmera?
Har inte något färdigt program men har följande brott-stycke av ett sånt program;
<för varje rad>
$line =~ s/(.*) (.+?)-$/$1/;
<matchar om sista tecknet på raden är "-"; allt utom det avstavade ordet finns kvar i $1; första delen av det avstavade ordet finns i $2>
<nästa rad om matchningen lyckades>
$line = $2 . $line;
<konkatenerar början av det avstavade ordet med nästa rad>
M v h Bengt
Bengt J. Olsson bengt@blafs.com http://blafs.com
--__--__--
Message: 2 Reply-To: tommy.riboe@bbab.se From: "Tommy Riboe" tommy.riboe@bbab.se To: runeberg@lists.lysator.liu.se Date: Wed, 28 Jan 2004 00:37:13 +0100 Subject: [Runeberg]
=?iso-8859-1?Q?SV:_=5BRuneberg=5D_Vill_du_hj=E4lpa_Projekt_Runeberg_progr?=
=?iso-8859-1?Q?ammera=3F?=
Jag byggde vidare på regexp-exemplet från Bengt och kan nu erbjuda nedanstående förslag. Eftersom jag är så gott som nybörjare på Perl så skall mitt exempel tas som ett algoritmförslag och kompletteras med felhantering och liknande. Dessutom har jag säkert missat något undantagsfall. Det verkar i alla fall fungera med den medföljande texten utökad med enstaka instanser av mina undantag.
mvh Tommy Riboe
#============================================ #!/bin/perl # # huvudregel: # a) rader vars sista ord slutar med '-' bryts före avstavat ord # b) avstavat ord sammanfogas på nästa rad # c) indrag bibehålles # # undantag: # a) rad som slutar med tankstreck (ensamt '-') # b) rad som slutar med förled i upprepade sammansatta ord # c) avstavning i sidans sista rad # # vid undantag b) flyttas förledet till följande rad
seek(STDIN, 0, SEEK_SET); $line= ""; $nextline= ""; $spill = "";
#if (<STDIN>) { # läs in första raden $line = <STDIN>; { # avlägsna ord som slutar med bindestreck från # slutet av raden, med undantag för ensamma # bindestreck, placera avlägsnad text i $spill $line =~ s/(\s*)(.*)( +?)(\S+?)-$/\1\2/; $spill = $4; } print $line;
while (<STDIN>) {
# testa om nästa rad börjar med "och", "eller" # (bör mer naturligt placeras efter nästa sats # och använda sig av $nextline) if (/^\s*(och|eller).*$/) { $spill = $spill . "- "; } # förbered nästa rad $nextline = $_; # sätt ihop marginal + spill + nästa_rad $nextline =~ s/(\s*)(.+?)$/$1$spill$2/; # gör nästa rad till aktuell rad $line = $nextline; # avlägsna ord som slutar med bindestreck från # slutet av raden, med undantag för ensamma # bindestreck, placera avlägsnad text i $spill $line =~ s/(\s*)(.*)( +?)(\S+?)-$/\1\2/; $spill = $4; print $line;} #} print "\n(till nästa sida: " . $spill . ")\n"; #============================================
-----Ursprungligt meddelande----- Från: runeberg-admin@lists.lysator.liu.se [mailto:runeberg-admin@lists.lysator.liu.se]För Bengt J. Olsson Skickat: den 27 januari 2004 00:00 Till: runeberg@lists.lysator.liu.se; Hans Persson Ämne: [Runeberg] Re: [Runeberg] Vill du hjälpa Projekt Runeberg programmera?
Har inte något färdigt program men har följande brott-stycke av ett sånt program;
<för varje rad>
$line =~ s/(.*) (.+?)-$/$1/;
<matchar om sista tecknet på raden är "-"; allt utom det avstavade ordet finns kvar i $1; första delen av det avstavade ordet finns i $2>
<nästa rad om matchningen lyckades>
$line = $2 . $line;
<konkatenerar början av det avstavade ordet med nästa rad>
M v h Bengt
Bengt J. Olsson bengt@blafs.com http://blafs.com
--__--__--
Message: 3 From: "Ketil Firing Hanssen " firing@spray.no To: runeberg@lists.lysator.liu.se Subject: =?windows-1252?Q? RE: [Runeberg] Vill du hj=E4lpa Projekt
Runeberg progr ammera??=
Date: Wed, 28 Jan 2004 08:28:34 +0100
This message is in MIME format. Since your mail reader does not understand this format, some or all of this message may not be legible.
--=_NextPart_Lycos_0221701075278514_ID Content-Type: text/plain; charset="us-ascii" Content-Transfer-Encoding: 7bit
Følgende unntak bør tas hånd om:
Vest- Tyskland
Regelen er at neste rad begynner med stor bokstav (evt. unntak hvis hele
ordet er
skrevet med store bokstaver)
Denne blir vel verre:
romersk- katolsk
mvh
Ketil F. Hanssen
------- Original Message -------
From : Tommy Riboe tommy.riboe@bbab.se Date : Wed, 28 Jan 2004 00:37:13 +0100
Jag byggde vidare på regexp-exemplet från Bengt och kan nu erbjuda
nedanstående förslag. Eftersom jag är så gott som nybörjare på Perl så skall mitt exempel tas som ett algoritmförslag och kompletteras med felhantering och liknande. Dessutom har jag säkert missat något undantagsfall. Det verkar i alla fall fungera med den medföljande texten utökad med enstaka instanser av mina undantag.
mvh Tommy Riboe
#============================================ #!/bin/perl # # huvudregel: # a) rader vars sista ord slutar med '-' bryts före avstavat ord # b) avstavat ord sammanfogas på nästa rad # c) indrag bibehålles # # undantag: # a) rad som slutar med tankstreck (ensamt '-') # b) rad som slutar med förled i upprepade sammansatta ord # c) avstavning i sidans sista rad # # vid undantag b) flyttas förledet till följande rad
seek(STDIN, 0, SEEK_SET); $line= ""; $nextline= ""; $spill = "";
#if () { # läs in första raden $line = ; { # avlägsna ord som slutar med bindestreck från # slutet av raden, med undantag för ensamma # bindestreck, placera avlägsnad text i $spill $line =~ s/(\s*)(.*)( +?)(\S+?)-$/\1\2/; $spill = $4; } print $line;
while () {
# testa om nästa rad börjar med "och", "eller" # (bör mer naturligt placeras efter nästa sats # och använda sig av $nextline) if (/^\s*(och|eller).*$/) { $spill = $spill . "- "; } # förbered nästa rad $nextline = $_; # sätt ihop marginal + spill + nästa_rad $nextline =~ s/(\s*)(.+?)$/$1$spill$2/; # gör nästa rad till aktuell rad $line = $nextline; # avlägsna ord som slutar med bindestreck från # slutet av raden, med undantag för ensamma # bindestreck, placera avlägsnad text i $spill $line =~ s/(\s*)(.*)( +?)(\S+?)-$/\1\2/; $spill = $4; print $line;} #} print "\n(till nästa sida: " . $spill . ")\n"; #============================================
-----Ursprungligt meddelande----- Från: runeberg-admin@lists.lysator.liu.se [mailto:runeberg-admin@lists.lysator.liu.se]För Bengt J. Olsson Skickat: den 27 januari 2004 00:00 Till: runeberg@lists.lysator.liu.se; Hans Persson Ämne: [Runeberg] Re: [Runeberg] Vill du hjälpa Projekt Runeberg programmera?
Har inte något färdigt program men har följande brott-stycke av ett sånt program;
$line =~ s/(.*) (.+?)-$/$1/;
allt utom det avstavade ordet finns kvar i $1; första delen av det avstavade ordet finns i $2>
$line = $2 . $line;
M v h Bengt
Bengt J. Olsson bengt@blafs.com http://blafs.com
Runeberg mailing list Runeberg@lists.lysator.liu.se http://lists.lysator.liu.se/mailman/listinfo/runeberg
Finn dine gamle klassekamerater på
http://klassekamerater.nettavisen.no
--=_NextPart_Lycos_0221701075278514_ID Content-Type: message/rfc822 Content-Transfer-Encoding: 7bit Content-Disposition: inline
Return-Path: runeberg-admin@lists.lysator.liu.se Received: from mail.lysator.liu.se (mail.lysator.liu.se [130.236.254.3]) by lmin04.st1.spray.net (Postfix) with ESMTP id 6BA036F792 for firing@spray.no; Wed, 28 Jan 2004 02:37:22 +0100 (MET) Received: from tokaimura.lysator.liu.se (localhost [127.0.0.1]) by mail.lysator.liu.se (Postfix) with ESMTP id 09426D9126; Wed, 28 Jan 2004 02:34:04 +0100 (MET) Delivered-To: mailmanalias-post+runeberg@lysator.liu.se Received: by mail.lysator.liu.se (Postfix, from userid 1646) id BC9BED7C9A; Wed, 28 Jan 2004 00:37:32 +0100 (MET) Received: from amsfep14-int.chello.nl (amsfep14-int.chello.nl
[213.46.243.22])
by mail.lysator.liu.se (Postfix) with ESMTP id 9889FD7A72 for runeberg@lists.lysator.liu.se; Wed, 28 Jan 2004 00:37:19 +0100 (MET) Received: from bbabw2kp2 ([213.89.102.233]) by amsfep14-int.chello.nl (InterMail vM.6.00.05.02 201-2115-109-103-20031105) with SMTP id 20040127233715.HAEL18174.amsfep14-int.chello.nl@bbabw2kp2 for runeberg@lists.lysator.liu.se; Wed, 28 Jan 2004 00:37:15 +0100 Reply-To: tommy.riboe@bbab.se From: "Tommy Riboe" tommy.riboe@bbab.se To: runeberg@lists.lysator.liu.se Message-ID: 048001c3e52e$7e853020$6f00a8c0@bbab.local MIME-Version: 1.0 Content-Type: text/plain; charset="iso-8859-1" Content-Transfer-Encoding: 8bit X-Priority: 3 (Normal) X-MSMail-Priority: Normal X-Mailer: Microsoft Outlook CWS, Build 9.0.6604 (9.0.2911.0) In-Reply-To: 000a01c3e460$161a1fb0$bd7ba8c0@OPUS X-MimeOLE: Produced By Microsoft MimeOLE V6.00.2800.1165 Importance: Normal X-Spam-Checker-Version: SpamAssassin 2.61-lysator_fetto_1.1 (1.212.2.1-2003-12-09-exp) on fetto.lysator.liu.se X-Spam-Level: X-Spam-Status: No, hits=0.2 required=5.0
tests=AWL,RCVD_IN_RFCI,RCVD_IN_SORBS
autolearn=no version=2.61-lysator_fetto_1.1 Subject: [Runeberg]
=?iso-8859-1?Q?SV:_=5BRuneberg=5D_Vill_du_hj=E4lpa_Projekt_Runeberg_progr?=
=?iso-8859-1?Q?ammera=3F?= Sender: runeberg-admin@lists.lysator.liu.se Errors-To: runeberg-admin@lists.lysator.liu.se X-BeenThere: runeberg@lists.lysator.liu.se X-Mailman-Version: 2.0.13 Precedence: bulk List-Unsubscribe: http://lists.lysator.liu.se/mailman/listinfo/runeberg, mailto:runeberg-request@lists.lysator.liu.se?subject=unsubscribe List-Id: Projekt Runeberg <runeberg.lists.lysator.liu.se> List-Post: mailto:runeberg@lists.lysator.liu.se List-Help: mailto:runeberg-request@lists.lysator.liu.se?subject=help List-Subscribe: http://lists.lysator.liu.se/mailman/listinfo/runeberg, mailto:runeberg-request@lists.lysator.liu.se?subject=subscribe List-Archive: http://lists.lysator.liu.se/pipermail/runeberg/ Date: Wed, 28 Jan 2004 00:37:13 +0100
Jag byggde vidare på regexp-exemplet från Bengt och kan nu erbjuda nedanstående förslag. Eftersom jag är så gott som nybörjare på Perl så skall mitt exempel tas som ett algoritmförslag och kompletteras med felhantering och liknande. Dessutom har jag säkert missat något undantagsfall. Det verkar i alla fall fungera med den medföljande texten utökad med enstaka instanser av mina undantag.
mvh Tommy Riboe
#============================================ #!/bin/perl # # huvudregel: # a) rader vars sista ord slutar med '-' bryts före avstavat ord # b) avstavat ord sammanfogas på nästa rad # c) indrag bibehålles # # undantag: # a) rad som slutar med tankstreck (ensamt '-') # b) rad som slutar med förled i upprepade sammansatta ord # c) avstavning i sidans sista rad # # vid undantag b) flyttas förledet till följande rad
seek(STDIN, 0, SEEK_SET); $line= ""; $nextline= ""; $spill = "";
#if (<STDIN>) { # läs in första raden $line = <STDIN>; { # avlägsna ord som slutar med bindestreck från # slutet av raden, med undantag för ensamma # bindestreck, placera avlägsnad text i $spill $line =~ s/(\s*)(.*)( +?)(\S+?)-$/\1\2/; $spill = $4; } print $line;
while (<STDIN>) {
# testa om nästa rad börjar med "och", "eller" # (bör mer naturligt placeras efter nästa sats # och använda sig av $nextline) if (/^\s*(och|eller).*$/) { $spill = $spill . "- "; } # förbered nästa rad $nextline = $_; # sätt ihop marginal + spill + nästa_rad $nextline =~ s/(\s*)(.+?)$/$1$spill$2/; # gör nästa rad till aktuell rad $line = $nextline; # avlägsna ord som slutar med bindestreck från # slutet av raden, med undantag för ensamma # bindestreck, placera avlägsnad text i $spill $line =~ s/(\s*)(.*)( +?)(\S+?)-$/\1\2/; $spill = $4; print $line;} #} print "\n(till nästa sida: " . $spill . ")\n"; #============================================
-----Ursprungligt meddelande----- Från: runeberg-admin@lists.lysator.liu.se [mailto:runeberg-admin@lists.lysator.liu.se]För Bengt J. Olsson Skickat: den 27 januari 2004 00:00 Till: runeberg@lists.lysator.liu.se; Hans Persson Ämne: [Runeberg] Re: [Runeberg] Vill du hjälpa Projekt Runeberg programmera?
Har inte något färdigt program men har följande brott-stycke av ett sånt program;
<för varje rad>
$line =~ s/(.*) (.+?)-$/$1/;
<matchar om sista tecknet på raden är "-"; allt utom det avstavade ordet finns kvar i $1; första delen av det avstavade ordet finns i $2>
<nästa rad om matchningen lyckades>
$line = $2 . $line;
<konkatenerar början av det avstavade ordet med nästa rad>
M v h Bengt
Bengt J. Olsson bengt@blafs.com http://blafs.com
Runeberg mailing list Runeberg@lists.lysator.liu.se http://lists.lysator.liu.se/mailman/listinfo/runeberg
--=_NextPart_Lycos_0221701075278514_ID--
--__--__--
Runeberg mailing list Runeberg@lists.lysator.liu.se http://lists.lysator.liu.se/mailman/listinfo/runeberg
End of Runeberg Digest
-----Ursprungligt meddelande----- Från: runeberg-admin@lists.lysator.liu.se [mailto:runeberg-admin@lists.lysator.liu.se]För Bernhard Johanson Skickat: den 28 januari 2004 14:14 Till: runeberg@lists.lysator.liu.se Ämne: [Runeberg] Re: Runeberg digest, Vol 1 #49 - 5 msgs
Till Tommy Riboe m. fl.
Det finnas faktiskt ett undantag till, nämligen om nästa rad börjar med en versal, typ Schleswig-Holstein Sedan är väl frågan om indrag av rad ska avlägsnas, vilket jag
tycker.
I gamla OCR, åtminstone, återfinns tabbar och mångdubbla spaces. Kanske även de bör sållas bort, allt för att underlätta korrekturläsningen.
Vänl. Bernhard Johanson
Här kommer en uppdatering av gårdagens Perlskript.
Bernhard, nedanstående kod klarar att hålla ihop sammansatta ord med inledande versal i båda leden. Jag har även lagt till ett filter för eliminering av upprepade blanksteg.
Roger, de exempel du tar upp, t ex sammansättningar av spärrad text kräver nog fortsatt diskussion om vad som skall omfattas av skriptet. Själv kan jag inte överblicka vilka fördelar resp nackdelar som kan uppstå sett över hela processen (inscanning, korrekturläsning, html-konvertering). Vissa moment behöver nog även i fortsättningen göras manuellt.
Kanske skall flera filter utvecklas för de olika ändamålen: * sammanslagning av avstavade ord * kompaktering av blanksteg * behandling av spärrad text, uppmärkning med <i></i> * uppmärkning styckeinledning indrag/fetstil, ersätts av <b></b> * ev. specialmärkning av uppslagsord * korrekturläsning utan marginalindrag (återinsätts vid html-konvertering?)
En annan fråga är hur man skall länka till följande sida, tre olika filer är en möjlighet dvs infil, utfil och "spill till nästa sida". Ett shellskript kan sedan göra resten av jobbet: preparera filnamn, kombinera filer till nästa infil osv.
mvh Tommy Riboe
#!/bin/perl # #================================== # Programmets funktionalitet: # 1) Sammanslagning av avstavade ord # ---------------------------------- # huvudregel: # a) rader vars sista ord slutar med '-' bryts före avstavat ord # b) avstavat ord sammanfogas på nästa rad # c) indrag bibehålles # # undantag: # a) rad som slutar med tankstreck (ensamt '-') # b) rad som slutar med förled i upprepade sammansatta ord # c) avstavning i sidans sista rad # d) bindestreck mellan ord som inleds med versal # # vid undantag "b" och "d" flyttas förledet till följande rad # # återstående problem: # sammansatta ord med explicit bindestreck behandlas som avstavade # såvida inte båda leden inleds med versal # # 2) Borttagning av dubblerade blanksteg # -------------------------------------- # # Övrigt # ------ # * Subrutinerna använder globala variabler - iakttag varsamhet # * Vid användning under Windows (Cygwin): kom ihåg att spara text i Unixformat #==================================
# use locale # ev. anpassad teckenuppsättn.
# --------------------------------- # tag bort upprepade blanksteg mellan ord
sub remove_multiple_blanks { $line =~ s/(\w+?)( )*/$1$2/g; }
# --------------------------------- # avlägsna ord som slutar med bindestreck från # slutet av raden, med undantag för ensamma # bindestreck, placera avlägsnad text i $spill
sub split_line_and_print { $line =~ s/^(\s*)(.*)( +?)(\S+?)-$/\1\2/; $spill = $4; remove_multiple_blanks; print $line; }
# --------------------------------- # undantag b), testa om nästa rad börjar med "och", "eller" # om så, behåll bindestreck (men ordet flyttas ned)
sub exception_b { if ($nextline =~ /^\s*(och|eller).*$/) { $spill = $spill . "- "; } }
# --------------------------------- # undantag d), testa om både $spill och nästa ord börjar med versal # om så, behåll bindestreck (men ordet flyttas ned) # (versaltestet behöver göras mer generellt)
sub exception_d { if ($nextline =~ /^\s*[A-ZÅÄÖÜÉ].*$/ && $spill =~ /^[A-ZÅÄÖÜÉ].*$/) { $spill = $spill . "-"; } }
# --------------------------------- # sätt ihop marginal + spill + nästa_rad
sub combine_with_next_line { $nextline =~ s/(\s*)(.+?)$/$1$spill$2/; }
# --------------------------------- # M A I N loop #
$line= ""; $nextline= ""; $spill = "";
#if (<STDIN>) { $line = <STDIN>; # läs in första raden split_line_and_print; # ord med bindestreck vid radslut
while (<STDIN>) { $nextline = $_; # förbered nästa rad exception_b; # undantag b), behåll bindestreck + ' ' exception_d; # undantag d), behåll bindestreck combine_with_next_line; # sätt ihop marginal + spill + nästa_rad $line = $nextline; # gör nästa rad till aktuell rad split_line_and_print; # ord med bindestreck vid radslut } #}
# ev. innehåll i $spill skall flyttas till nästa sida print "\n(till nästa sida: " . $spill . ")\n";
# # E N D of program # ---------------------------------
torsdagen den 29 januari 2004 kl 00.58 skrev Tommy Riboe:
Roger, de exempel du tar upp, t ex sammansättningar av spärrad text kräver nog fortsatt diskussion om vad som skall omfattas av skriptet. Själv kan jag inte överblicka vilka fördelar resp nackdelar som kan uppstå sett över hela processen (inscanning, korrekturläsning, html-konvertering). Vissa moment behöver nog även i fortsättningen göras manuellt.
Du menar ett filter som enkomt går igenom spärrad text och markerar det med <spärr> ? Får man fråga, är filterna plug-in-scripts till OCR-programmet, eller till webbsiten ? Finns det någon wikisida som beskriver Runeberg-tekniken, från manuell inscannring, översättning och till korrekturläsning. (Information om den sistnämnda har jag hittat redan).
/Roger
Den 1 februari skrev Roger Persson till denna lista:
Får man fråga, är filterna plug-in-scripts till OCR-programmet, eller till webbsiten ? Finns det någon wikisida som beskriver Runeberg-tekniken, från manuell inscannring, översättning och till korrekturläsning. (Information om den sistnämnda har jag hittat redan).
Vi har varit dåliga på att beskriva detta, delvis kanske för att det är rätt så komplicerat. Jag strävar efter att förenkla och pedagogisera det jag gör, och rätt ofta handlar det om att dölja komplicerade detaljer.
En av mina principer är den här: Om något är jobbigt att förklara, så är det uppbyggt på fel sätt. Man borde bygga upp det så, att det blir enkelt att förklara. T.ex. börjar det bli jobbigt att förklara varför tankstreck och grekiska bokstäver inte fungerar, och detta skulle vi slippa förklara om vi bytte från ISO 8859-1 till Unicode. Både Distributed Proofreaders och Wikipedia kör Unicode och har stor framgång med detta. Tiden börjar bli mogen. Det jag vill undvika är att byta för tidigt och tvingas förklara för alla vad Unicode är.
För inscanning finns det just nu på vår wiki en del sidor om:
Valet av förlaga, http://runeberg.org/wiki/F%f6rlaga Valet av scanner, http://runeberg.org/wiki/Scanner Scanning, http://runeberg.org/wiki/Scanning Korrekturläsning, http://runeberg.org/wiki/Korrekturl%e4sning
men de kan säkert göras mer utförliga och bättre strukturerade.
Jag har nu haft möjlighet att jämföra Distributed Proofreaders och deras instruktioner är en enda jättelång och jättedetaljerad text. Själv misstänker jag att många läsare storknar innan de hunnit halvvägs i en så lång text.
En sak som börjar bli jobbig att förklara är varför vi ska scanna i 600 dpi svartvitt och spara som TIFF G4, och sedan måste färgsidor dessutom scannas i färg, där vi hittills använt 300 dpi JPEG. Kanske borde vi i stället scanna allting i färg och spara som PNG? Då kanske 300 dpi eller 400 dpi är tillräckligt hög upplösning?
Det här är frågan om en generationsväxling, där gamla storskaliga scanninglösningar på myndigheter i över tio års tid har använt svartvit TIFF med G3 eller G4-komprimering, medan webbläsare och enkla scanners för 700 kronor på Elgiganten knappast stöder TIFF-formatet. JPEG är inte bra för text som ska OCR-tolkas, men PNG kanske fungerar för alla? Distributed Proofreaders verkar standardisera på PNG.
-
Bernhard Johanson -
Lars Aronsson -
Roger Persson -
Tommy Riboe