OCRopus

Google hat ein auf Tesseract basierendes Open-Source-OCR-Programm namens OCRopus in einer Alphaversion veröffentlicht. Ars Technica widmet sich diesem Release in einem kleinen Testbericht. Dort zeigt sich, dass sich das Programm zu Recht noch im Alpha-Status befindet:

We observed several common errors. For instance, the letter „e“ is often interpreted as a „c“ and the letter „o“ is often interpreted as a „0“ in scanned documents. OCRopus provides better results when scanning text that is printed with a sans serif font, and the size of the font also has a significant effect on accuracy.

Mehr Infos zu OCRopus gibt es in den FAQ. Andere freie Software aus dem OCR-Segment findet sich z.B. bei Sourceforge, u.a. Kognition, Image Text Editor oder Open OCR. Google selbst weist auch auf verschiedene verwandte Anwendungen hin.

[via Digital Koans]

Google vs. O.C.A.

In ihrer gestrigen Ausgabe berichtete die New York Times über Konkurrenten zu Googles Book Search Projekt.

Das Boston Library Consortium lehnte kürzlich Googles Offerte ab und entschied sich für die Zusammenarbeit mit „Open Content Alliance„.

Libraries that agree to work with Google must agree to a set of terms, which include making the material unavailable to other commercial search services. Microsoft places a similar restriction on the books it converts to electronic form. The Open Content Alliance, by contrast, is making the material available to any search service.

Katie Hafners Artikel „Libraries Shun Deals to Place Books on Web“ ist hier nachzulesen.
Auch Heise berichtet über das Thema.

World Digital Library

Aus der Projektbeschreibung der World Digital Library:

The World Digital Library will make available on the Internet, free of charge and in multilingual format, significant primary materials from cultures around the world, including manuscripts, maps, rare books, musical scores, recordings, films, prints, photographs, architectural drawings, and other significant cultural materials. The objectives of the World Digital Library are to promote international and inter-cultural understanding and awareness, provide resources to educators, expand non-English and non-Western content on the Internet, and to contribute to scholarly research.

Die digitale Weltbibliothek baut auf dem „Weltgedächtnis“ auf.

[via Heise]

Libreka – Volltextsuchmaschine Online mit und ohne DRM

Libreka ist laut Eigenbeschreibung eine Volltextsuchmaschine für Buchinhalte:

Verlage liefern libreka! ihre digitalen Buchinhalte und definieren, welchen Text sie für wen sichtbar und abrufbar machen wollen. Die Datenhoheit und die Rechte bleiben dabei beim Verlag. Über die libreka!-Plattform werden Buchinhalte dann als Volltexte im Internet weltweit recherchierbar. Der Buchhandel erhält durch erweiterte Rechte die Möglichkeit, aktiv an der Vermarktung digitaler Inhalte beteiligt zu sein. Mit libreka! bereitet der deutsche Buchhandel die Grundlage dafür, dass Buchinhalte in Zukunft in elektronischer Form recherchierbar, verfügbar und handelbar werden.

Was davon zu halten ist, macht Katja, Studentin der HTWK Leipzig, im Buchmessenblog sehr deutlich:

Fakten auf den Tisch: von den 19.000 im VLB derzeit vertretenen Verlagen haben es knapp 350 geschafft, bisher etwa 8.000 Bücher einzuscannen, zu hosten und für libreka freizugeben . Auf eine an ihn gerichtete Frage aus dem Publikum der selbstverständlich anwesende Google Deutschlandchef Jens Redmer: “8.000? Das sind bei der google-booksearch Zahlen, die ein einzelner Verlag bringt.” Raunen im Saal, verhaltenes Schmunzeln, vielsagende Blicke und ein leichtes Gefühl peinlicher Berührung meinerseits – und schließlich Dr. F. Jacobi (MIDVOX, ABC ADVANCED BOOK CATALOG) leicht bis mittelschwerst eschauffiert: “Nun erklären Sie mir mal, Herr Schild, wieso das sein muss – wir haben eine gute Volltextsuche und Sie brauchen eine eigene? Immense Kosten – und ich sehe keinen Zusatznutzen.” RUMS. Zur Strafe für seine unverholene Kritik erhielt er dann auch gleich keine Antwort – der Beigeschmack erheblich.

Der erwähnte Herr (Ronald) Schild ist übrigens der Leiter des Projektes, der laut Buchmessenblog angab, eine siebenstellige Summer habe der Aufbau Librekas bisher gekostet. In einem Interview zur Volltextsuche (PDF) gibt er seine Sicht des Projektes preis. Interessant dabei sein Statement zu DRM:

Es gibt zwei Thesen. Die eine ist: DRM ist passé. EMI beispielsweise hat es schon vor einem halben Jahr aufgegeben und verkauft die komplette Musik kopierschutzfrei. Universal hat mit einem Test im amerikanischen Markt nachgezogen. Die Prognosen gehen dahin, dass es im Musikbereich ein unumkehrbarer Prozess ist. Analysen scheinen zu zeigen, dass die Nutzergruppen von kommerziellen Download-Angeboten und die Nutzer von Tauschbörsen kaum Überschneidungen haben. Man könnte argumentieren, das wird bei Büchern nicht viel anders sein. Hinzu kommt, dass ich mir sehr viele Musikstücke speichern und anhören kann, der maximale Buchkonsum dagegen eingeschränkt ist: Mehr als ein bis zwei Bücher pro Monat zu lesen, ist nicht leicht zu schaffen. Zudem ist der Preis für ein Buch relativ niedrig. Das heißt, der Anreiz für die Kopie ist geringer. Das alles
stützt die Fraktion, die sagt, wir brauchen überhaupt keinen Kopierschutz.

Auch die zweite These soll nicht verschwiegen werden:

Die Argumentation der Kopierschützer lautet, dass die Substanz eines Verlages nicht das gedruckte Buch, sondern die Inhalte sind. In dem Moment, wo wir die Inhalte unbegrenzt herausgeben, setzt ein Langzeiteffekt ein. Anders als im schnelllebigen Musikgeschäft hält sich manches Buch teilweise über Jahre am Markt, das heißt: Der Wert eines Buches nimmt wesentlich langsamer ab. Von daher muss man sehr genau aufpassen, ob man Inhalte kopierschutzfrei zur Verfügung stellt.

Die Verlage werden in Libreka – für jeden Titel einzeln – selbst entscheiden können, ob sie ihre Inhalte mit Kopierschutzmechanismen versehen oder nicht. Ein schönes Modell, an dem man die DRM-Akzeptanz des Publikums theoretisch gut überprüfen könnte, wenn es da nicht ein gewichtiges Problem gäbe. Die Ware Information ist einfach nicht beliebig austauschbar. Wenn ich Buch A haben will, dies allerdings mit DRM versehen ist und mir das nicht passt, werde ich in den seltensten Fällen einfach auf Buch B ausweichen können. Bei wissenschaftlicher Literatur sowieso nicht, aber auch privat werde ich mich nicht für Pilcher entscheiden, wenn ich eigentlich Moers lesen wollte. Die Unvergleichbarkeit zweier Güter in diesem Segment macht diesen Versuch also nur begrenzt aussagekräftig.

Neue Deutsche Biographie wird digitalisiert

Wie das Börsenblatt berichtet, hat die Deutsche Forschungsgemeinschaft nun zugesagt, die Digitalisierung der Neuen Deutschen Biographie (NDB) – des „biographischen Grundlagenwerks des deutschsprachigen Kulturraums – finanziell zu unterstützen.

Ihre ersten 22 Bände und die komplette Allgemeine Deutsche Biographie (ADB) werden von der Historischen Kommission bei der
Bayerischen Akademie der Wissenschaften und der Bayerischen Staatsbibliothek in den kommenden zwei Jahren digital im Volltext erschlossen und im Internet frei zur Verfügung gestellt.

Pressemitteilung

Virtuelles Kupferstichkabinett online

Am Freitag machten das Herzog Anton Ulrich-Museum in Braunschweig und die Herzog August Bibliothek in Wolfenbüttel das „Virtuelle Kupferstichkabinett“ online zugänglich.

Bereits jetzt ist der Online-Zugriff auf mehr als 4.000 Blätter aus dem 15. bis 18. Jahrhundert möglich. In vier Jahren sollen 30.000 Grafiken, versehen mit wissenschaftlichen Anmerkungen, per Internet zugänglich sein.

[via Heise.de]

Kopal

Gregor Honsel schreibt über Kopal in Technology Review: „Hundert Jahre auf Band“

„Das 19. Jahrhundert ist bedeutend besser dokumentiert als die sechziger Jahre des letzten Jahrhunderts“, sagt Kopal-Gesamtprojektleiter Reinhard Altenhöner von der Deutschen Nationalbibliothek. Um die Gegenwart ist es kaum besser bestellt. Die Datenflut, die es zu bändigen gilt, schwillt immer mehr an; gleichzeitig sinkt die Qualität der gängigen Speichermedien: „Die Haltbarkeits-Prognose von selbst gebrannten CDs ist sehr schlecht. DVDs sind tendenziell sogar noch schlechter, weil sie dichter beschrieben werden“, sagt Altenhöner. Dazu komme der schnelle Wandel der Speicher-Hardware – irgendwann gebe es „nur noch ein paar Lesegeräte, die von Freaks gewartet werden“.