Pyllica, extracteur Python de corpus de périodiques de Gallica

Pyllica est un outil écrit en Python permettant de récupérer des documents hébergés sur la bibliothèque numérique Gallica.

PDF JPEG / JPG Texte Python Presse
Feuilletons littéraires dans la presse

Ce jeu de données regroupe des romans-feuilletons parus dans la presse française du XIXe siècle.

CSV JSON Texte XML OLR OCR Presse Documents
Dumps Gallica : OCR des monographies

Ce jeu de données fournit le texte océrisé des monographies en langue française de la collection numérique de Gallica.

HTML Texte OCR Documents
Partitions numériques de la Renaissance

Ce jeu de données contient des partitions numériques d’Eustache du Caurroy et de Carlo Gesualdo produites aux formats MEI et Sibelius.  

Sibelius PDF MEI OMR GT Musique
Texte corrigé et OCR de documents de Gallica

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

Texte OCR GT Textes
Texte de presse annoté en entités nommées du projet Europeana Newspapers

Ce jeu de données est constitué de textes extraits de documents des collections de presse traitées durant le projet européen Europeana Newspapers et annotés en terme d’entités nommées de type Perso

Texte NLP GT Textes Presse Europeana Newspapers
HBA : un jeu d'images annotées pour l'analyse de la structure de mise en page d'ouvrages anciens

HBA est un jeu de données dédié à l'analyse de la structure de mise en page d'ouvrages anciens. Il constitue une vérité terrain d'images annotées au niveau pixel.

Texte JPEG / JPG OLR GT Segmentation Documents