D
2010
Document Engineering for a Digital Library: PDF recompression using JBIG2 and other optimization of PDF documents
SOJKA, Petr and Radim HATLAPATKA
Basic information
Original name
Document Engineering for a Digital Library: PDF recompression using JBIG2 and other optimization of PDF documents
Name in Czech
Dokumentové inženýrství pro digitální knihovnu: rekomprese PDF s JBIG2 a další optimalizace PDF dokumentů
Authors
SOJKA, Petr (203 Czech Republic, guarantor, belonging to the institution) and Radim HATLAPATKA (203 Czech Republic, belonging to the institution)
Edition
Manchester, UK, Proceedings of DocEng 2010 conference, p. 3-12, 10 pp. 2010
Other information
Type of outcome
Stať ve sborníku
Field of Study
10201 Computer sciences, information science, bioinformatics
Country of publisher
United Kingdom of Great Britain and Northern Ireland
Confidentiality degree
není předmětem státního či obchodního tajemství
Publication form
electronic version available online
RIV identification code
RIV/00216224:14330/10:00040554
Organization unit
Faculty of Informatics
Keywords (in Czech)
autorské nástroje a systémy; rekomprese PDF; kategorizace; klasifikace; standardizace a reprezentace dokumentů; rozpoznávání znaků; OCR; EuDML; DML-CZ; digitizační workflow; digitální matematická knihovna
Keywords in English
Authoring tools and systems; Categorization; Classification; Document presentation; Representations/Standards; Character recognition; Digital mathematical library; Digitisation workflow
Tags
International impact, Reviewed
V originále
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.
In Czech
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.
Links
| LA09016, research and development project | | Name: Účast ČR v European Research Consortium for Informatics and Mathematics (ERCIM) (Acronym: ERCIM) | | Investor: Ministry of Education, Youth and Sports of the CR, Czech Republic membership in the European Research Consortium for Informatics and Mathematics |
|
| LC536, research and development project | | Name: Centrum komputační lingvistiky | | Investor: Ministry of Education, Youth and Sports of the CR, Centrum komputační lingvistiky |
|
| 1ET200190513, research and development project | | Name: DML-CZ: Česká digitální matematická knihovna | | Investor: Academy of Sciences of the Czech Republic, DML-CZ: Czech Digital Mathematical Library |
|
| 2C06009, research and development project | | Name: Prostředky tvorby komplexní báze znalostí pro komunikaci se sémantickým webem v přirozeném jazyce (Acronym: COT-SEWing) | | Investor: Ministry of Education, Youth and Sports of the CR |
|
| 250503, interní kód MU | | Name: The European Digital Mathematics Library (Acronym: EuDML) | | Investor: European Union |
|
Displayed: 8/11/2024 08:05