Lien vers le site du projet : https://baoia.huma-num.fr/ où des tutoriels détaillés sont disponibles pour certains scripts.
Le dépôt est divisé en dossiers relatifs aux corpus de sources étudiées. Chaque dossier contient les scripts notebooks utilisables à travers Google Colab. Une aide technique sur le site du projet permet la prise en main des outils (cf aide technique).
BaOIA_gallica_txt.ipynb: télécharge les documents issus de Gallica en fichiers de texte brut (txt).BaOIA_gallica_jpg.ipynb: télécharge les documents issus de Gallica en format image (jpg).BaOIA_scraper_gallica_iiif.ipynb: télécharge les images des documents sur Gallica en format IIIF (utilisation pour la récupération des cartes).BaOIA_ocerisation_tesseract.ipynb: océrisation de fichiers image (jpg) avec le logiciel de reconnaissance optique de caractères Tesseract.
BaOIA_reconnaisance_extraction_entites.ipynb: outil de Reconnaissance automatique des Entités Nommées (REN).BAOIA_alignement_statistiques_personnages.ipynb: outil d'alignement des données avec Wikidata, récupération des informations sur les personnages identifiés et calculs statistiques.
BaOIA_cartographie-complete.ipynb: outil de création automatique d'une carte avec tous les lieux référencés à l'aide des coordonnées géographiques récupérées via Wikidata.BaOIA_cartographie_categorisee.ipynb: outil de création automatique d'une carte interactive de sélection avec tri des lieux par type (commune, monument, église, etc.).BaOIA_cartographie_parcours.ipynb: outil de création automatique d'un parcours sur une carte.BaOIA_cartographie_comparaison_parcours.ipynb: outil de création automatique de deux parcours sur une carte.
BaOIA_scraper_heidelberg.ipynb: téléchargement des documents issus de la bibliothèque numérique d'Heidelberg dans tous les formats disponibles (xml-alto, texte brut océrisé, extraction des illustrations, jpg).
BaOIA_compression_affiches.ipynb: compression d'images JPG contenues dans un même dossier.BaOIA_doublons_et_images_similaires.ipynb: repérage de doublons et images similaires dans un corpus de fichiers jpg.BaOIA_ocr_google_vision_api.ipynb: océrisation d'un corpus d'images, récupération du texte et de la langue de fichiers jpg.BaOIA_ocr_google_vision_api_aTester.ipynb: modifications du script précédent, à tester.
BaOIA_extraction_texte_pdf.ipynb: extraction du texte par page d'un PDF.