Document Engineering for a Digital Library: PDF recompression using JBIG2 and other optimization of ...
SOJKA, Petr a Radim HATLAPATKA. Document Engineering for a Digital Library: PDF recompression using JBIG2 and other optimization of PDF documents. Online. In Proceedings of DocEng 2010 conference. Manchester, UK: ACM, 2010, s. 3-12. ISBN 978-1-4503-0231-9. Dostupné z: https://dx.doi.org/10.1145/1860559.1860563. |
Další formáty:
BibTeX
LaTeX
RIS
|
Základní údaje | |
---|---|
Originální název | Document Engineering for a Digital Library: PDF recompression using JBIG2 and other optimization of PDF documents |
Název česky | Dokumentové inženýrství pro digitální knihovnu: rekomprese PDF s JBIG2 a další optimalizace PDF dokumentů |
Autoři | SOJKA, Petr (203 Česká republika, garant, domácí) a Radim HATLAPATKA (203 Česká republika, domácí). |
Vydání | Manchester, UK, Proceedings of DocEng 2010 conference, od s. 3-12, 10 s. 2010. |
Nakladatel | ACM |
Další údaje | |
---|---|
Originální jazyk | angličtina |
Typ výsledku | Stať ve sborníku |
Obor | 10201 Computer sciences, information science, bioinformatics |
Stát vydavatele | Velká Británie a Severní Irsko |
Utajení | není předmětem státního či obchodního tajemství |
Forma vydání | elektronická verze "online" |
WWW | slides preprint PDF fulltext in ACM DL DOI ACM DL Proceedings (accept. rate 31%) DocEng homepage |
Kód RIV | RIV/00216224:14330/10:00040554 |
Organizační jednotka | Fakulta informatiky |
ISBN | 978-1-4503-0231-9 |
Doi | http://dx.doi.org/10.1145/1860559.1860563 |
UT WoS | 000286949400002 |
Klíčová slova česky | autorské nástroje a systémy; rekomprese PDF; kategorizace; klasifikace; standardizace a reprezentace dokumentů; rozpoznávání znaků; OCR; EuDML; DML-CZ; digitizační workflow; digitální matematická knihovna |
Klíčová slova anglicky | Authoring tools and systems; Categorization; Classification; Document presentation; Representations/Standards; Character recognition; Digital mathematical library; Digitisation workflow |
Štítky | DML-CZ, E U DML, JBIG2, MathML, OCR, PDF, TeX |
Příznaky | Mezinárodní význam, Recenzováno |
Změnil | Změnil: doc. RNDr. Petr Sojka, Ph.D., učo 2378. Změněno: 10. 5. 2013 15:11. |
Anotace |
---|
Several innovative document transformations and tools developed in the process of building the Digital Mathematical Library DML-CZ http://dml.cz are described. The main result is our new PDF re-compression tool, developed using a enhanced jbig2enc library. Together with pdfsizeopt.py by Péter Szabó, we have managed to decrease PDF storage size and transmission needs by 62%: using both programs we reduced the size of the original already compressed PDFs to 38%. We briefly describe workflow and tools developed for creating the digital library. The batch digital signature stamper, the document similarity metrics which uses four different methods, a [meta]data validation process and math OCR tools represent some of the main [by]products. Such document engineering, together with Google Scholar indexing optimization, have led to the success of serving digitized and born-digital scientific math documents to the public in DML-CZ, and are being employed also in The European Digital Mathematics Library, EuDML. |
Anotace česky |
---|
Tento článek popisuje několik inovativních nástrojů a transformací dokumentů, které byli vyvinuty v rámci digitální matematické knihovny DML-CZ. Jako hlavní výsledek tohoto článku je prezentován námi vyvinutý nástroj pro PDF rekompresi, který využívá enkodér jbig2enc. Dohromady s dalšími programy, především pdfsizeopt.py, který vyvinul Péter Szabó, jsme byli schopni snížít velikost PDF a nároky na jejich přenos o 62 %: použitím obou nástrojů jsme snížíli velikost PDF dokumentů na 38 % z původní velikosti. V tomto článku krátce popisujeme další nástroje vyvinuté v rámci digitální knihovny. Mezi hlavní vedlejší produkty tohoto projektu patří dávkové podepisování PDF documentů, metriky vyhledávání podobností u dokumentů, které používají čtyři různé metody, process validace [meta]dat a OCR nástroje pro matematiku. Tento způsob tvorby dokumentů spolu s Google Scholar optimalizací indexace, vedlo k úspěšné obsluze digitalizovaných a born-digital vědeckých matematických dokumentů pro veřejnost v DML-CZ a bude dále nasazeno také v projektu evropské digitální matematické knihovny EuDML. |
Návaznosti | |
---|---|
LA09016, projekt VaV | Název: Účast ČR v European Research Consortium for Informatics and Mathematics (ERCIM) (Akronym: ERCIM) |
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Účast ČR v European Research Consortium for Informatics and Mathematics | |
LC536, projekt VaV | Název: Centrum komputační lingvistiky |
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Centrum komputační lingvistiky | |
1ET200190513, projekt VaV | Název: DML-CZ: Česká digitální matematická knihovna |
Investor: Akademie věd ČR, DML-CZ: Česká digitální matematická knihovna | |
2C06009, projekt VaV | Název: Prostředky tvorby komplexní báze znalostí pro komunikaci se sémantickým webem v přirozeném jazyce (Akronym: COT-SEWing) |
Investor: Ministerstvo školství, mládeže a tělovýchovy ČR, Prostředky tvorby komplexní báze znalostí pro komunikaci se sémantickým webem v přirozeném jazyce | |
250503, interní kód MU | Název: The European Digital Mathematics Library (Akronym: EuDML) |
Investor: Evropská unie, The European Digital Mathematics Library |
VytisknoutZobrazeno: 20. 8. 2024 03:34