1 Česká digitální matematická knihovna Miroslav BARTOŠEK Masarykova univerzita, Ústav výpočetní techniky, Brno bartosek@ics.muni.cz INFORUM 2008: 14. konference o profesionálních informačních zdrojích Praha, 28. – 30. 5. 2008 Abstrakt: Česká digitální matematická knihovna DML-CZ zpřístupňuje na Internetu matematickou literaturu mezinárodní úrovně vytvořenou na území České republiky od 19. století. Jedná se především o matematické časopisy, ale také vybrané monografie a sborníky konferencí. Na projektu DML-CZ spolupracuje Akademie věd ČR, Masarykova univerzita v Brně a Karlova univerzita v Praze. Projekt je součástí aktivit směřujících k vytvoření Světové digitální matematické knihovny. V tomto článku se zaměříme na tři aspekty České matematické digitální knihovny: nejprve stručně představíme koncepci DML-CZ a její obsah; v druhé části je naznačen postup při zpracování digitalizovaných tištěných dokumentů s využitím Metadatového editoru – nástroje vyvinutého v průběhu řešení projektu; ve třetí části je ukázána vlastní digitální knihovna vybudovaná nad open-source systémem DSpace. 1. Co je to DML-CZ Česká digitální matematická knihovna1 (zkratka DML-CZ) je fulltextová digitální knihovna zaměřená na oblast matematiky. Jejím cílem je volně zpřístupnit na internetu nejvýznamnější českou matematickou literaturu, potenciálně jako součást plánované světové digitální matematické knihovny WDML – World Digital Mathematics Library. Knihovna nabízí především časopisy (v současnosti jde o 10 časopiseckých titulů, včetně Časopisu pro pěstování matematiky a fysiky vydávaného již od roku 1872), vybrané monografie (mimo jiné například sebrané spisy proslulého českého matematika Bernarda Bolzana) a sborníky matematických konferencí. Práce na DML-CZ započaly v roce 2005, dokončena bude v roce 2009. V současnosti knihovna zahrnuje již kolem 16 tisíc matematických článků (přes 160 000 stran textu) a v polovině června tohoto roku ji čeká oficiální představení mezinárodní odborné veřejnosti. Vedle provádění vlastní digitalizace a budování uživatelské digitální knihovny jsou v projektu DML-CZ zkoumány i pokročilé technologie pro digitalizaci matematiky a vyvíjeny podpůrné softwarové nástroje. Na projektu DML-CZ spolupracují matematici, počítačoví specialisté, knihovníci a studenti pěti institucí: Matematického ústavu AV ČR (koordinace projektu), Knihovny AV ČR (digitalizace), Ústavu výpočetní techniky Masarykovy univerzity (integrace digitálních dokumentů a implementace digitální knihovny), Fakulty informatiky Masarykovy univerzity (OCR a začleňování aktuálních digitálních čísel časopisů) a Matematicko-fyzikální fakulty Karlovy univerzity v Praze (tvorba metadat). Více informací o projektu DML-CZ lze nalézt na http://dml.muni.cz. 1 Česká digitální matematická knihovna vzniká v rámci projektu 1ET200190513 programu „Informační společnost“ AV ČR, řešeného s grantovou podporou AV ČR v letech 2005-2009. 2 Do DML-CZ jsou zařazovány materiály tří různých forem ze tří různých období: 1. tištěné dokumenty: časopisy, monografie a sborníky vydané před rokem 1990 a existující obvykle pouze v tištěné podobě. Tyto dokumenty jsou skenovány, obrazy stránek jsou dále zpracovávány (prahování, odstraňování šumu, narovnávání, OCR), následně jsou seskupovány do článků a pro články jsou vytvářena popisná metadata. 2. retro-born-digital dokumenty: materiály od počátku devadesátých let do současnosti (do roku 2008). Tyto dokumenty již existují v nějaké digitální podobě, takže není třeba je skenovat. Digitální forma dokumentů však není jednotná a často se v průběhu doby několikrát měnila i v rámci jednoho dokumentu (časopisu), takže je nezbytné konvertovat ji do požadovaného jednotného tvaru. Metadata lze obvykle extrahovat přímo z digitálních dokumentů, je však třeba přitom zohledňovat specifika a možnosti dané digitální formy. 3. digitální dokumenty přebírané on-line: jde především o přebírání aktuálně vydávaných čísel časopisů. Cílem je vytvořit pro každý časopis mechanismus, kdy z nově publikovaného čísla časopisu je automaticky vygenerována i verze pro digitální knihovnu DML-CZ. Začleňování nově vydávaných časopiseckých čísel do DML-CZ pak může probíhat automatizovaně, bez nutnosti dodatečné ruční práce. Digitální knihovna DML-CZ nevzniká jako izolovaný národní systém, je plně integrována do mezinárodního matematického prostředí. Články v DML-CZ a odkazy v seznamech referencí jsou provázány na záznamy a recenze v matematických referenčních databázích MathSciNet (Mathematical Reviews), Zentralblatt-MATH a Jahrbuch über die Fortschritte der Mathematik; knihovna DML-CZ nabízí anglické uživatelské rozhraní a pro neanglické články jsou poskytována základní metadata v angličtině; jsou dodržovány mezinárodní standardy pro zápis matematických výrazů stejně jako technické standardy pro interoperabilitu v rámci připravované světové matematické digitální knihovny. Podobné národní matematické knihovny vznikají i v dalších zemích – zmiňme alespoň francouzský NUMDAM, http://www.numdam.org . 2. Zpracování tištěných dokumentů – metadatový editor Digitalizované tištěné dokumenty představují největší objem materiálů v současné DML-CZ. Postup při jejich vytváření sestává z následujících šesti fází: 1. Příprava: výběr a příprava materiálů ke zpracování, řešení autorsko-právních aspektů. 2. Digitalizace: skenování tištěných materiálů, úpravy digitálních obrazů, pořízení základních stránkových a strukturálních metadat. 3. OCR: dvoukrokové automatizované rozpoznávání textu – nejprve běžné rozpoznání textu programem FineReader, na ně navazuje specializované rozpoznávání matematiky programem InftyReader. 4. Referenční metadata: získání a předzpracování základních článkových metadat z matematických referenčních databází MathSciNet a Zentralblatt MATH. 5. Integrace: vytvoření hierarchicky strukturovaných digitálních dokumentů (u časopisů: titul/ročník/číslo/článek, u sborníků: sborníková řada/sborník/článek, u monografií: kolekce/monografie/část), kontrola a doplnění popisných článkových metadat, zpracování seznamů referencí u jednotlivých článků, vygenerování digitálních článků ve formátu PDF. 3 6. Digitální knihovna: import digitálních objektů (dokumentů a jejich metadat) do digitální knihovny a jejich zpřístupnění uživatelům. Pro tyto účely je adaptován volně dostupný open-source systém DSpace. Proces vlastního skenování a prvotní digitalizace probíhá v digitalizačním centru Knihovny akademie věd, v prostředí systému Sírius/Kramerius. Souběžně jsou z matematických referenčních databází automatizovaně sklízena referenční metadata, která jsou poté normalizována a upravována pro potřeby DML-CZ. Výstupy digitalizačního centra spolu s referenčními metadaty jsou importovány do Metadatového editoru – systému vyvinutého speciálně pro potřeby DML-CZ – kde probíhá jejich další zpracování a integrace směřující k vytvoření článků. Tento proces sestává z následujících kroků: − vytvoření článkové struktury, − tvorba článkových metadat, − generování digitálních článků ve formátu PDF. 2.1 Vytvoření článkové struktury Základní struktura digitálních objektů (v případě časopisu rozdělení titulu do ročníku a čísel) je nastavena již během fáze skenování. V rámci Metadatového editoru je následně třeba seskupit jednotlivé naskenované stránky do článků – vytvořit strukturu časopiseckého čísla. Protože jde o poměrně pracný proces, snaží se Metadatový editor tuto činnost maximálně automatizovat a zefektivnit. Systém nejprve provede automatické seskupení stran do článků na základě stránkových údajů z referenčních metadat a autodetekce hranic článků v textech získaných pomocí OCR. Takto vzniklou článkovou strukturu poté lidská obsluha (operátor) vizuálně zkontroluje a provede potřebné úpravy. Metadatový editor k tomu nabízí efektivní nástroj, který přehledně zobrazí náhledy všech stránek čísla uspořádané do skupin podle předpokládaných článků (viz obrázek 1) a umožní s nimi jednoduše manipulovat. Jednotlivé náhledy stránek lze podle potřeby snadno zvětšovat (pro zobrazení detailů), přesouvat, spojovat do nových skupin či naopak rozpojovat – a takto měnit obsah článků, vytvářet nové články, chybně identifikované články rušit apod. Náhledy zobrazené v červených polích představují stránky vyřazené z článkového zpracování (např. titulní a závěrečné strany čísla, vakáty, obsahové stránky, reklama); náhledy zobrazené v zelených polích reprezentují příslušné články. Způsoby vytváření článků a organizace časopiseckých čísel jsou u jednotlivých časopisů velmi rozdílné; u starších tištěných ročníků bývají někdy i značně nestandardní (prolínající se články, články přecházející přes hranice čísel, překrývající se číslování stran, přeházené strany aj.). Aby bylo možné vypořádat se i s takovými „záludnostmi“, nabízí Metadatový editor řadu pomocných funkcí, mezi něž patří například: − klonování stránek (umožňující řešit případy, kdy jedna stránka patří k více článkům), − download/upload vybraných stránek (pro lokální úpravy stránkových obrazů), − změny pořadí stránek uvnitř článku a pořadí článků uvnitř čísla, − přesuny stránek mezi časopiseckými čísly a ročníky, − editace logických a fyzických čísel stran, − seskupování článků do logických sekcí (v rámci daného čísla či sborníku). Analogií vytváření článkové struktury u časopisů a sborníků je rozdělení knih do částí (obvykle kapitol). 4 Obrázek 1: Vytváření článkové struktury časopiseckého čísla 2.2 Tvorba článkových metadat Po vytvoření článkové struktury je dalším krokem editace popisných metadat článků: název (v originálním jazyce a v angličtině), autor, jazyk, klíčová slova, kódy MSC (Mathematics Subject Classification), typ článku, identifikátory odkazující do matematických referenčních databází, vazby na související články v DML-CZ, aj. Ve většině případů je metadatový záznam článku již automaticky předvyplněn údaji z referenčních metadat a stačí ho pouze zkontrolovat a doplnit. V případech, kdy referenční metadata článku nejsou k dispozici (nebo se je systému nepodařilo s článkem řádně propojit), je nutné metadatový záznam vytvořit. 5 Obrázek 2: Editace článkových metadat Metadatový formulář se skládá ze dvou částí: v levé části okna je formulář pro vyplňování dat, v pravé části jsou zobrazovány naskenované stránky článku. Namísto obrázku stránky si operátor může zobrazit její text vytvořený programem OCR, a použít jej například pro vyplňování metadatového záznamu metodou cut-and-paste. Systém sám hlídá integritu dat v klíčových polích metadatového záznamu. Například jména autorů jsou přebírána z interního souboru jmenných autorit a umožňují zapisovat – v rámci dané jmenné autority – jméno jedné a téže osoby v různých tvarech podle toho, jak jsou uvedena v různých dokumentech (například jméno s rozepsanými křestními jmény nebo s iniciálami, ruské jméno v různých formách transliterace do latinky, jméno s diakritickými znaky zapsanými v kódování UTF-8 nebo pomocí různých TeXových sekvencí, apod.). Samostatnou součástí článkových metadat je seznam referencí (seznam literatury k danému článku). Metadatový editor poskytuje speciální formulář pro opravy a strukturování referencí získaných pomocí OCR – viz obrázek 3. V pravé části formuláře je obrázek stránky se seznamem referencí, v levé části se nachází editační textový blok. V něm je zobrazen OCRtext seznamu referencí, do něhož operátor vkládá dohodnuté značky k zachycení základní struktury citace (autor, název, zbytek) a provádí opravy chybně rozpoznaných znaků. Opravený seznam referencí se automaticky stává součástí metadat příslušného článku. 6 Obrázek 3: Editace referencí Metadatový editor je vytvořen ve formě webové aplikace, která podporuje souběžnou vzdálenou práci více operátorů, v závislosti na přidělených oprávněních. To umožňuje rozdělit práci na metadatech mezi více osob s různou úrovní znalostí. Základní úkony – jako je kontrola úplnosti skenů, tvorba článkové struktury, doplňování základních článkových metadat nebo úpravy seznamů referencí – je možné svěřit například spolupracujícím studentům matematiky, zatímco profesionální matematikové se zaměřují na anglické překlady názvů, věcnou klasifikaci (Mathematics Subject Classification) či vytváření vazeb mezi souvisejícími články. 2.3 Generování článků v PDF V závěrečném kroku zpracování dokumentu v Metadatovém editoru jsou generovány pdfsoubory jednotlivých článků. Každý pdf-soubor obsahuje dvě vrstvy: první vrstvu představují naskenované obrázky stránek (tato vrstva je zobrazována koncovému uživateli), druhou vrstvou je text článku získaný pomocí OCR (uživateli se nezobrazuje, slouží pouze pro fulltextové vyhledávání uvnitř článku). Soubor je doplněn automaticky generovanou titulní stranou s bibliografickou citací článku a copyrightovou poznámkou. 7 Vygenerováním článků je dokončena integrační fáze a veškerá data a metadata daného dokumentu (časopisu) jsou připravena pro import do uživatelské digitální knihovny. 3. Digitální knihovna Pro zpřístupnění obsahu DML-CZ koncovým uživatelům je využit open-source repozitář DSpace s nadstavbou Manakin. DSpace nám poskytuje „zdarma“ veškeré základní funkce digitální knihovny (prezentace digitálního obsahu, procházení sbírek a hierarchických digitálních objektů, vyhledávání v metadatech i plných textech, persistentní identifikátory, metadata v Dublin Core, podpora protokolu OAI-PMH pro sklízení metadat, statistiky, podpora dlouhodobé archivace digitálního obsahu, aj.). Šablonovací systém Manakin umožňuje zase relativně snadno a efektivně přizpůsobit vzhled, strukturu a obsah stránek systému DSpace potřebám DML-CZ. Obrázek 4: Ukázka pracovní verze úvodní stránky digitální knihovny DML-CZ Uživatel digitální knihovny DML-CZ má k dispozici jednoduché i pokročilé vyhledávání (v metadatech i plných textech článků) a procházení jednotlivých kolekcí (časopisů, sborníků a monografií) a rejstříků (názvů, autorů a kódů MSC – Mathematics Subject Classification). Vyhledané články jsou poskytovány ve formátu PDF. Namísto dalšího popisu uveďme obrázky vybraných stránek digitální knihovny DML-CZ. 8 Obrázek 5: Stránka časopisu v digitální knihovně DML-CZ 9 Obrázek 6: Metadatový záznam článku v digitální knihovně DML-CZ 10 Obrázek 7: Plný text článku v digitální knihovně DML-CZ 11 Obrázek 8: Část rozbaleného hierarchického stromu MSC v digitální knihovně DML-CZ Literatura: [1] Domovská stránka projektu DML-CZ. http://dml.muni.cz [2] Jiří Rákosník, et al. DML-CZ: The Objectives and the First Steps. CMDE2006 Communicating Mathematics in the Digital Era. Aveiro, Portugal, 15-18 August 2006. Dostupné na http://dml.muni.cz/docs/aveiro2006-workflow.pdf [3] Miroslav Bartošek, Vlastimil Krejčíř. Jak se dělá digitální matematická knihovna. Sborník Automatizace knihovnických procesů 2007, Liberec, Czech Republic, 16.-17.5.2007. Dostupné na http://www.akvs.cz/akp-2007/08-bartosek-krejcir.pdf [4] Petr Sojka, Jiří Rákosník. From Pixels and Minds to the Mathematical Knowledge in Digital Library. Článek připravený pro konferenci MKM 2008 – Mathematical Knowledge Management. Birmingham, UK, 28-30 July 2008.