Александр Немировнезависимый разработчик

Оцифровка книжного архива: из вёрстки и сканов в готовый текст

У издательства с историей есть архив: файлы издательской вёрстки за пятнадцать лет, документы в устаревших форматах, сканы бумажных изданий. Формально это актив, фактически — данные, которыми нельзя воспользоваться без ручной перенабивки.

Разберу, как такой архив переводится в пригодный для переиздания вид.

Три типа исходников и разная цена работы

Файлы издательской вёрстки. Лучший случай: текст в них хранится в структурированном виде, вместе с разметкой заголовков и примечаний. Извлекается программно, качество высокое. Сложность в том, что форматы закрытые, а старые версии не открываются современными программами.

Текстовые документы. Проще с точки зрения доступа, но почти всегда без структуры: заголовки оформлены выделением, а не стилями, примечания вставлены вручную. Требуется восстановление структуры, и это основная часть работы.

Сканы. Самый дорогой вариант. Распознавание даёт от 95 до 99 процентов точности, что звучит хорошо, пока не переведёшь в абсолютные числа: на книге в четыреста тысяч знаков это от четырёх до двадцати тысяч ошибок. Вычитка неизбежна.

Что именно нужно получить

Распространённая ошибка — считать задачей извлечение текста. Текст без структуры почти бесполезен: из него нельзя собрать электронное издание, невозможно построить оглавление, теряются примечания.

Результатом должен быть текст с размеченной структурой: уровни заголовков, разделы, примечания с привязкой к месту в тексте, подписи к иллюстрациям, выделения в авторском оформлении. Именно эта разметка определяет, получится ли из архива готовое издание или очередной набор файлов.

Где теряют деньги

Берутся за весь архив сразу. Правильнее начать с выборки в двадцать-тридцать изданий разных типов: по ней видно реальное качество исходников и становится возможной честная оценка объёма.

Не проверяют результат по исходнику. Программа извлечения может молча потерять середину издания или склеить два абзаца. Без сверки объёма и структуры с оригиналом такие потери обнаруживаются через год, когда книга уже продаётся.

Платят за распознавание того, что и так есть в цифровом виде. Прежде чем отправлять книгу на сканирование, стоит проверить, не сохранились ли файлы вёрстки. В моей практике это регулярно экономило значительную часть бюджета.

Заказывают набор вручную там, где достаточно распознавания с вычиткой. Разница в стоимости — в несколько раз, в качестве при должной вычитке — незначительная.

Как устроена проверка качества

Механический контроль ловит большую часть проблем до того, как текст попадёт к редактору: сравнение объёма с оригиналом, наличие всех разделов, соответствие числа примечаний, поиск типичных ошибок распознавания, проверка на обрыв текста в середине.

Всё, что прошло автоматическую проверку, идёт к человеку уже в читаемом виде, и вычитка занимает часы, а не дни.

Сколько это занимает

Ориентиры для издания среднего объёма: из файлов вёрстки — часы на подготовку регламента и минуты на книгу; из текстовых документов — от получаса до нескольких часов на книгу в зависимости от состояния разметки; из сканов — день с учётом вычитки.

При этом основная часть времени на больших архивах уходит не на сами книги, а на настройку правил под конкретный архив. Поэтому работа с тысячей изданий обходится дешевле в пересчёте на книгу, чем с десятком.

Смежные темы: услуги для издательств и автоматизация издательского процесса.