Texte des documents de presse du projet Europeana Newspapers (XIXe-XXe siècles)

Présentation

Ce jeu de données contient le texte des collections de presse traitées durant le projet européen Europeana Newpapers.

Contenu du jeu de données

Ce jeu contient la transcription réalisée par OCR du texte d’environ 2 millions de pages des collections de presse de Gallica. Le format utilisé est JSON.

L’intégralité des documents numérisés dans Gallica des titres suivants sont présents :

• L’Action française : http://gallica.bnf.fr/ark:/12148/cb326819451/date
• Le Constitutionnel : http://gallica.bnf.fr/ark:/12148/cb32747578p/date
• La Croix : http://gallica.bnf.fr/ark:/12148/cb343631418/date
• L’Echo de Paris : http://gallica.bnf.fr/ark:/12148/cb34429768r/date
• Le Figaro : http://gallica.bnf.fr/ark:/12148/cb34355551z/date
• Le Gaulois : http://gallica.bnf.fr/ark:/12148/cb32779904b/date
• L’Humanité : http://gallica.bnf.fr/ark:/12148/cb327877302/date
• L’Intransigeant : http://gallica.bnf.fr/ark:/12148/cb32793876w/date
• Le Journal des débats politiques et littéraires : http://gallica.bnf.fr/ark:/12148/cb39294634r/date
• Le Matin : http://gallica.bnf.fr/ark:/12148/cb328123058/date
• Ouest Eclair (éditions de Caen, Nantes, Rennes) :
  
  • http://gallica.bnf.fr/ark:/12148/cb41193642z/date
  • http://gallica.bnf.fr/ark:/12148/cb41193663x/date
  • http://gallica.bnf.fr/ark:/12148/cb32830550k/date
• Le Petit Journal : http://gallica.bnf.fr/ark:/12148/cb32895690j/date
• Le Petit Journal illustré supplément du dimanche : http://gallica.bnf.fr/ark:/12148/cb32836564q/date
• Le Petit Parisien : http://gallica.bnf.fr/ark:/12148/cb34419111x/date
• La Presse : http://gallica.bnf.fr/ark:/12148/cb34448033b/date
• Le Siècle : http://gallica.bnf.fr/ark:/12148/cb32868136g/date
• Le Temps : http://gallica.bnf.fr/ark:/12148/cb34431794k/date
• L’Univers : http://gallica.bnf.fr/ark:/12148/cb34520232c/date

Il est organisé par titre de presse, par année et par date de publication (un fichier JSON par fascicule). Exemple pour le journal du 15 juin 1884 :

le_petit_journal_illustre_supplement_du_dimanche.zip/1884/18840615/18840615.metadata.fulltext.json

Contexte de production

Ce corpus a été produit durant le projet de recherche européen Europeana Newspapers (2012-2015).

Liens de présentation du projet :

• http://www.europeana-newspapers.eu/
• http://www.bnf.fr/fr/professionnels/projets_europeens/s.projets_europeens_termines.html?first_Art=non#SHDC__Attribute_BlocArticle1BnF

Formats

Chaque fichier JSON contient des métadonnées informant du titre, de la date de publication et de l’identifiant ARK du document dans Gallica :

{
	"title": [
		"Le Petit Journal illustré Supplément du dimanche"
	],
	"source": [
		"Bibliothèque nationale de France",
		"http://gallica.bnf.fr/ark:/12148/bpt6k7155522",
		"Metadata aggregated by The European Library",
		"Metadata provided by National Library of France "
	],
	"description": [
		"1884/06/15 (Numéro 1)."
	],

Les contenus textuels sont stockés dans le champ contentAsText. Les fins de paragraphe sont codées avec le caractère \n. Les éventuels tirets de césure en fin de ligne ont été supprimés.

D’autres métadonnées sont également disponibles :

• Identifiant ARK de la notice du titre de presse dans le catalogue BnF :

"relation": [
"http://data.theeuropeanlibrary.org/Collection/a0599",
"Notice du catalogue : http://catalogue.bnf.fr/ark:/12148/cb32836564q", …

• Identifiant du document dans la bibliothèque numérique européenne TEL :

"identifier": [ "http://data.theeuropeanlibrary.org/BibliographicResource/3000117762175",
"http://www.theeuropeanlibrary.org/tel4/newspapers/issue/3000117762175",
"http://www.theeuropeanlibrary.org/tel4/newspapers/issue/fullscreen/3000117762175",...]

• Taux OCR estimé (en % de mots corrects) :

"format": [
"[OCR confidence] 0,806267"]

Exemples d’utilisation

• https://scoms.hypotheses.org/657
• https://scoms.hypotheses.org/799
• https://numapresse.hypotheses.org/

API et jeux de données en relation

API

Les liens Gallica contenus dans le champ source permettent de faire afficher les documents dans Gallica (grâce à l’identifant ARK). L’API Gallica Date fait de même à partir de la date d’un fascicule de presse. Elle opère avec comme entrée l’identifiant de la notice catalogue du titre de presse (les identifiants cb… donnés plus haut) et une date de publication au format YYYMMDD.

http://gallica.bnf.fr/ark:/12148/ID_notice/date+%Y+%M+%D

Exemple : http://gallica.bnf.fr/ark:/12148/cb32836564q/date18840615

L’API Gallica IIIF permet d’obtenir les images des documents numériques à partir de leur identifiant ARK :

http://gallica.bnf.fr/iiif/ark:/12148/bpt6k7155522/f1/full/full/0/native.jpg

L’API Gallica OCR permet d’obtenir les fichiers OCR des documents numériques à partir de leur identifiant ARK :

http://gallica.bnf.fr/RequestDigitalElement?O=bpt6k5773155v&E=ALTO&Deb=1

Jeux de données

Les jeux de données issus du même projet Europeana Newspapers sont listés dans la rubrique Ressources.