Un exemple des document bientôt en ligne l'Est Républicain du mercredi 12 octobre 1938, détail

Numériser la presse : les coulisses

Depuis 2009 la bibliothèque de Nancy réalise une campagne de numérisation par an. En 2013 a commencé le long chantier de numérisation de la presse quotidienne régionale lorraine (PQR), avec dans la foulée la réalisation du Kiosque Lorrain1. La campagne 2014 va bientôt porter à 120 000 le nombre de vues disponibles en ligne. Retour sur ces prestations.

L'Est Républicain
L’Est Républicain.

Les étapes de la numérisation

Entre le début d’une prestation et les premières mises en ligne il nous faut environ 8 mois (scénario optimiste), dont une partie consiste en la préparation de la numérisation proprement dite. Une campagne de numérisation suit plusieurs phases bien définies.

Choix du corpus

Le choix du corpus est dicté par des considérations scientifiques qui s’appuient sur le plan de numérisation de la bibliothèque. Ce plan définit les grandes lignes de la numérisation  sur plusieurs années. Pour résumer, sont concernés en priorité les fonds lorrains imprimés2, manuscrits et bien sûr iconographiques. À l’intérieur de cette masse, la marge de manœuvre reste grande : faire démarrer la numérisation de la presse quotidienne en 2013 par des titres sur la période 1889-1918 répondait à un impératif différent, celui de l’actualité. Nous souhaitions proposer un corpus en lien avec l’actualité de 2014 à savoir les commémorations du centenaire de la Grande Guerre. Mais cet objectif avait une double ambition : numériser un corpus large de presse quotidienne pour la période de guerre et le mettre en ligne avec des outils de recherches performants dans les plus brefs délais.

Évaluer l’étendu du corpus à numériser

La première étape  consiste à définir la quantité de documents  qui seront traités :

  • une demande de devis est adressée aux prestataires sur une masse approximative pour connaître l’état du marché (les coûts varient d’une année sur l’autre)3,
  • le nombre de vues est ajusté en fonction du budget disponible  pour ces opérations,
  • et débouche sur la rédaction du cahier des charges et le début des opérations de récolement.

Le cahier des charges va définir très précisément le contenu de la prestation4. Il est important d’être le plus précis possible dans la rédaction de ce document, le prestataire sera choisi sur les critères qui y sont énoncés, et c’est lui qui fera foi tout au long du travail et en cas de litige.

Extrait du fichier de récolement de l'Est Républicain
Extrait du fichier de récolement de l’Est Républicain

Le récolement

Le récolement consiste en un pointage le plus rigoureux possible de l’état et du contenu du document. C’est la phase la plus laborieuse du travail, mais aussi une des plus importantes. Pour chaque page, on indique dans un tableur toutes les informations nécessaires à la prise de vue. Chaque ligne du tableau correspond à un fascicule du journal et comporte des informations techniques (page fragile, reliure serrée, difficultés attendues pour l’OCR), descriptives (métadonnées Dublin Core, nommage, nombre de vues attendues) et des informations sur les manques éventuels.

La préparation des documents

Une fois le récolement effectué, nous disposons d’une vue précise du résultat attendu, ainsi que, incidemment d’un constat d’état du document. Mais dans certains cas les documents doivent encore faire l’objet d’une opération de conservation préventive. Cela va de la réalisation de boîtes sur mesure, au démontage dans le cas d’une reliure trop fatiguée, et à la micro réparation (il ne s’agit pas de restauration, mais simplement de consolider les pages qui risquent de se déchirer lors de l’opération de numérisation).

Le lancement de la prestation

Le cahier des charges est généralement publié pendant ces deux premières phases. Les offres reçues doivent être analysées selon des critères précis et objectifs. Après la notification du résultat l’opération peut être lancée selon le planning pré-établi. Le prestataire vient prendre livraison des documents et la réunion de lancement marque le début des opérations.

Un exemple des document bientôt en ligne l'Est Républicain du mercredi 12 octobre.1938
Un exemple des documents bientôt en ligne : l’Est Républicain du mercredi 12 octobre 1938

Validation des tests et suivi des travaux

Rapidement après enlèvement arrivent les premiers tests (effectués sur des documents représentatifs choisis pour leurs particularités : difficulté et/ou fragilité). La production débute dès validation de ces tests. Chez le prestataire, les prises de vues commencent. C’est une opération relativement rapide, selon le matériel utilisé (appareil photographique à dos numérique, réflex, scanner à balayage…), à laquelle succède le post-traitement des images, nettement plus long :

  • nommage des fichiers sources selon le plan de nommage fourni,
  • intégration des métadonnées embarquées (au format XMP),
  • océrisation,
  • création des PDF avec la sous-couche textuelle,
  • création des fichiers XML/ALTO : c’est ce fichier qui contient le résultat de l’OCR, avec la position de chaque mot dans la page (ce qui permettra le surlignage), et la structure des articles au sein de la page. Le résultat est plus ou moins précis, cela dépend de l’état du journal et de l’option retenue : pour nos prestations, c’est un OCR automatique qui est employé (en raison du surcoût d’un OCR repris manuellement),
  • création des fichiers XML/METS : ce fichier reprend pour chaque  fascicule la structure des fichiers et les informations techniques. Il décrit, au format XML, un fichier ou un groupe de fichiers constituant l’objet numérique et son « histoire » (« ce fascicule est le journal du … il a 5 pages, qui sont 5 images jpg de telle taille, prise de vue par … le … il est décliné en 5 fichiers ALTO, un PDF… »)
  • enregistrement sur disque dur.

Réception et contrôle

La phase de contrôle à réception des disques doit être réalisée le plus rapidement possible, mais c’est aussi une étape cruciale, elle marque la clôture ou le rejet total ou partiel de la prestation. Pour la presse il s’agit de contrôler 10 % de chaque type de fichiers produits.

Cette opération fera l’objet d’un prochain billet.

  1. Voir à ce sujet ce Billet sur le Kiosque lorrain []
  2. la bibliothèque est dépositaire du dépôt légal imprimeur pour la région Lorraine []
  3. le prix moyen en 2014 est de 0.80€ par vue en JPG couleur, et PDF de diffusion avec OCR, XML/ALTO et XML/METS []
  4. la BnF met à disposition des référentiels très bien réalisés sur toutes les questions techniques liées à la numérisation []

Une réflexion sur « Numériser la presse : les coulisses »

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.