Am reorganizat lista cerintelor pentru OCR-ul final, de data asta cu exprimari orientate catre operatii, nu catre caracteristici. Am incercat sa includ toate concluziile dezbaterii. K7, 02agigi, oltean, chandler, iamneni, BlankCd si toti ceilalti interesati dar timizi, va rog sa reverificati lista, pentru ca SIGUR mi-au scapat niste chestii.
Nu am intentionat sa fiu incapatanat. Daca vi se pare ca una am discutat, si alta apare in lista, corectati-ma, si va rog sa ma iertati.
Referiti-va, va rog, in interventiile voastre, la numerotarea de mai jos, nu la cea veche.
Sunt cateva alte puncte pe care le percep ca ramase in suspans. Printre ele:
(a) Versiunea 0.9 vs. 1.0 (sunt pentru 0.9, a fost mai bine argumentata)
(b) Codificarea 1 vs. 2 (imi este indiferent)
(c) Notarea fisierului care contine scan-ul, conform formatului de bitmap al scanului (sunt pentru)
(d) Lasarea v0.2–v0.8 la latitudinea fiecaruia (sunt pentru)
(e) Plasarea noilor 2.5, 2.7, 3.6, 3.24, 3.30, 3.31 la Optionale (nu sunt pentru)
Eu as mai adauga 1.7) documentul rezultat se salveaza in format RTF
Iata deci noua lista:
1. Pagina
1) se stabilesc dimensiunile paginii la A5, cu oglinda suficient de mare
2) se elimina marcajele de sectiune; documentul va avea o singura sectiune
3) se elimina coloanele
4) caracterul de sfarsit manual de pagina se elimina sau, dupa caz, se inlocuieste
5) informatia din antetul si/sau subsolul original se elimina; daca aplicatia OCR include in text numerele originale de pagina, acestea se vor pastra
6) se verifica pagina cu pagina prezenta integrala a textului
7) documentul rezultat se salveaza in format RTF
2. Paragraf
1) se elimina toate stilurile introduse de aplicatia pentru OCR
2) paragrafele de text se spatiaza la un rand (single), cu alineat, si se justifica stanga-dreapta
3) titlurile se centreaza si se scriu cu bold, cu spatiu inainte si dupa
4) daca sunt prezente in original, se introduc spatii inainte si dupa unele paragrafe
5) se plaseaza notele in subsol, cu numerotare de la 1 la n
6) se refac paragrafele scindate prin Enter de catre aplicatia OCR
7) daca exista in original, pasajele speciale se scriu cu corp mai mic, se indenteaza si se spatiaza
8) Bullets and Numbering se transforma in text
3. Litere, cifre si alte caractere
1) se foloseste scrierea cu caractere romanesti (codepage 1250); pentru compatibilitate se utilizeaza literele cu cedilla in loc de virgulita
2) se foloseste peste tot acelasi font cu serife, de aceeasi marime masurata in puncte; daca este nevoie, se mai foloseste cel mult un alt font (preferabil sans-serif)
3) titlurile se scriu cu corp putin mai mare
4) se formateaza toate caracterele la scara de 100%, cu spatiere normala (nu condensate, nici extinse) si, cu exceptia indicilor si exponentilor, pozitie normala (nu ridicate, nici coborate)
5) se elimina evidentierea cu culoare a caracterelor, ramase de la aplicatia OCR
6) cuvintele se formateaza cu bold, italic si bold-italic conform originalului
7) se elimina paragrafele goale (Enter-urile consecutive)
8) caracterul de sfarsit de linie se elimina sau, dupa caz, se inlocuieste
9) caracterului Tab se elimina sau, dupa caz, se inlocuieste
10) se elimina spatiile duble
11) se elimina spatiile din fata semnelor de punctuatie (virgula, punct, punct si virgula, doua puncte, semnul exclamarii, semnul intrebarii, puncte-puncte, ghilimele inchise, paranteze inchise) si de dupa ghilimelele deschise si parantezele deschise
12) se elimina caracterul „spatiu” de la sfarsitul si inceputul paragrafelor
13) se elimina cratima optionala de despartire in silabe; documentul nu se desparte in silabe
14) se corecteaza paragrafele care se termina cu litera mica, virgula, punct si virgula, cratima, liniuta despartitoare
15) se corecteaza paragrafele care incep cu litera mica sau cu semne de punctuatie
16) liniile de dialog sunt Em dash (Alt+0151) sau Horizontal line
17) dupa liniile de dialog se pune Nonbreaking space
18) referirile in text la notele de subsol se scriu cu font normal-drept si se plaseaza inaintea semnelor de punctuatie, cu exceptia situatiilor cand nota se refera la intreaga fraza
19) în subsol, dupa numarul de referinta al notelor se pune Nonbreaking space
20) puncte-puncte scrise cu trei puncte (...) se inlocuiesc cu caracterul Elipsis (Alt+0133)
21) se inlocuieste apostroful Alt+0039 cu apostroful tipografic Alt+0146 (daca nu este vorba de notatia pentru minute)
22) se inlocuiesc ghilimelele cu cele romanesti 99-99: „ – Alt+0132 si ” – Alt+0148
23) se elimina spatiul din fata si de dupa cratima de legatura
24) se inlocuieste cratima explicativa cu liniuta separatoare En dash, precedata si urmata de un spatiu
25) se inlocuieste cratima din intervalele numerice, cu En dash (ex. 24-36 cu 24–36, sau XV-XVI cu XV–XVI)
26) ordinul miilor din cadrul numerelor se separa prin Nonbreaking space, cu exceptia anilor, care se scriu legat
27) se elimina artefactele introduse in procesul de OCR ( | / @ , . ^ # etc.)
28) se asigura prezenta unui spatiu dupa semnele de punctuatie din cadrul frazelor
29) se elimina situatiile in care o cifra apare in locul unei litere (0 in loc de O majuscul) sau invers (litera l mic apare in loc de cifra 1)
30) se formateaza (italic, bold, bold-italic) semnele de punctuatie, parantezele inchise si ghilimelele de sfarsit, la fel ca si cuvantul care le precede
31) se formateaza (italic, bold, bold-italic) parantezele deschise si a ghilimelele de inceput, la fel ca si cuvantul care le urmeaza
32) numele proprii se scriu corect si unitar
33) se elimina greseli de OCR prin folosirea corecturii semiautomate (cu confirmare) facuta cel putin cu dictionarul dintr-o versiune de Word
34) in cuvintele compuse, cratima se inlocuieste cu Nonbreaking hyphen
4. Grafica
1) imaginile grafice (fotografii, diagrame, schite, etc.) se scaneaza la 200 sau 300dpi, color sau nu, ca in cartea tiparita
2) imaginile se plaseaza „inline” in text, intre doua paragrafe, cat mai aproape de locul original
5. Optional
1) se verifica prezenta paragrafelor, conform originalului
2) tabelele se transforma in text
3) se pastreaza grafia cu î din i, si cu „sînt” in loc de „sunt”
_______________________________________
Dacă vreunul dintre linkurile mele nu este valid, vă rog să mă anunţaţi prin MP.
Versiunile cartilor electronice - Standardul RIF1
Caractere romanesti in EPUB * De la versiunea 0.1 la versiunea 0.9 cu Word 2003 for Windows
PDF-uri foarte mici din fisierele grafice Scan Tailor * Clasificarea scanurilor in format DjVu
|
