2023-09 xml fingerprint:
Paths: PcGts PcGts.Metadata PcGts.Metadata.Comment PcGts.Metadata.Created PcGts.Metadata.Creator PcGts.Metadata.LastChange PcGts.Metadata.MetadataItem[] PcGts.Metadata.MetadataItem[].Labels PcGts.Metadata.MetadataItem[].Labels.Label[] PcGts.Page PcGts.Page.ReadingOrder PcGts.Page.ReadingOrder.OrderedGroup PcGts.Page.ReadingOrder.OrderedGroup.RegionRefIndexed[] PcGts.Page.TextRegion[] PcGts.Page.TextRegion[].Coords PcGts.Page.TextRegion[].TextLine[] PcGts.Page.TextRegion[].TextLine[].Baseline PcGts.Page.TextRegion[].TextLine[].Coords PcGts.Page.TextRegion[].TextLine[].TextEquiv PcGts.Page.TextRegion[].TextLine[].TextEquiv.Unicode PcGts.Page.TextRegion[].TextLine[].TextStyle PcGts.Page.TextRegion[].TextLine[].Word[] PcGts.Page.TextRegion[].TextLine[].Word[].Coords PcGts.Page.TextRegion[].TextLine[].Word[].TextEquiv PcGts.Page.TextRegion[].TextLine[].Word[].TextEquiv.Unicode
Attributes: Baseline: points Coords: points Label: value, type Metadata: externalRef MetadataItem: value, name, type OrderedGroup: id Page: imageFilename, imageHeight, imageWidth PcGts: xmlns RegionRefIndexed: regionRef, index TextEquiv: conf TextLine: id TextRegion: custom, id TextStyle: xHeight Word: id
data/textrepo-data.csv : externalid,versionid,scanurl uit textrepo
-
in /Volumes/ASMT 2105 Media/globalise/pagexml/2023-*/1.04.02/all-xml-files.lst een lijst van de xml bestanden
-
er is een discrepantie:
-
4802212 pagexml voor 2023-05
-
4784993 pagexml voor 2023-09
-
alle pagexml verdelen in documenten:
-
- op https://github.com/globalise-huygens/annotation/tree/main/2024 staan csv's met scanranges voor sommige documenten
-
- voor overige pagexml: per inv.nr.
@Leon:
Ik heb de tags nu ook maar als Concept gemodelleerd. De URI is steeds: https://digitaalerfgoed.poolparty.biz/globalise/annotation/ner/ + NER tag. Bijvoorbeeld: https://digitaalerfgoed.poolparty.biz/globalise/annotation/ner/SHIP Die URIs gaan gegarandeerd nog veranderen, maar dan staan ze er vast. Dus, je zou dit soort URIs op kunnen nemen in de annotaties.
De URIs van de eventtypes vind je voor nu in: https://github.com/globalise-huygens/annotation/blob/main/2023/inception/tagsets/events.json