Utiliser l’OCR d’Huma-Num pour le projet CorreZ

Huma-Num est une TGIR (très grande infrastructure de recherche) dédiée aux humanités numériques. Elle facilite la transition numérique pour la recherche en sciences humaines et, à cette fin, met à disposition divers outils et services visant à traiter, stocker, publier et diffuser les données. Pour devenir utilisateur de ces services, il vous suffit d’envoyer un mail à l’adresse suivante : cogrid@huma-num.fr en précisant le service dont vous avez besoin. Par exemple, Huma-Num propose gratuitement des licences de l’éditeur XML, Oxygen, pour le monde académique. La liste des services disponibles est disponible à l’adresse suivante.

Dans le cadre du projet CorreZ, visant à la publication numérique de la correspondance de Zola, nous avons testé, avec notre collègue Cécile Brémon, leur service de reconnaissance de caractères (OCR) afin de pouvoir créer, à partir des index numérisés de la correspondance, des fichiers CSV nécessaires à l’import en masse des notices dans le logiciel Omeka. Dans notre cas, nous partions d’une édition papier moderne qui a été numérisée et que nous possédions sous forme de fichiers PDF. Nous souhaitions obtenir des documents modifiables de type Word ou Excel. Pour cela, il était nécessaire d’utiliser un OCR, c’est-à-dire un logiciel de reconnaissance optique de caractères transformant un fichier image en un fichier texte.

Index du tome 2 de la correspondance de Zola – fichier PDF

L’outil d’Huma-Num est un logiciel OCR, appelé ABBYY, couplé avec une plateforme de stockage, ShareDocs, permettant de réaliser une reconnaissance de caractères depuis les documents stockés sur cet outil. Après avoir versé les documents PDF sur la plateforme dans un dossier spécifique, ceux-ci sont automatiquement OCRisés vers différents formats. On peut choisir de les transformer en fichiers Word, ODT, Excel ou autre.

Interface de la plateforme d’Huma-Num

Après quelques minutes, les documents sont disponibles dans le format sélectionné et peuvent être téléchargés depuis la plateforme. Le travail de structuration des données en CSV peut ensuite commencer !

Index du tome 2 de la correspondance de Zola – Fichier Word récupéré après l’OCRisation

Chloé Menut