Texte corrigé et OCR de documents de Gallica

Découvrez et utilisez les données de la BnF

Mots-clefs:

Ce jeu de données contient les textes océrisés et corrigés de documents des collections monographiques et périodiques de Gallica.

Alignement entre texte OCR et texte corrigé

Sommaire

Contenu du jeu de données

Ce jeu contient le texte de documents numériques de Gallica décliné sous trois versions :

le texte océrisé
le texte océrisé aligné avec …
… le texte corrigé (ou « vérité terrain », gold standard en anglais), produite par une intervention humaine.

Il est organisé par type de documents (monographie, périodique) et par langue (français, anglais). Il couvre quatre siècles (XVIIe-XXe).

Un fichier de métadonnées informe de la date d’édition de chaque texte, ainsi que du nombre de caractères alignés qu’il contient.

Contexte de production

Ce corpus a été produit durant le projet de recherche BnF AMELIOCR (2016-2017).

Liens de présentation du projet :

Format

Chaque fichier contient les trois versions de chaque texte (voir fichier readme.txt dans l’archive) :

Exemples d’utilisation

API et jeux de données en relation

L’API Gallica Texte permet d’obtenir le texte des documents numériques à partir de leur identifiant ARK :

L’API Gallica OCR permet d’obtenir les fichiers OCR des documents numériques :

Formulaire de recherche