Closed rzeh4n closed 2 years ago
Mimochodem co takhle mít ty ukázkové balíčky (rozbalené) rovnou tady v gitu? Dalo by se odkazovat na nejasnosti, byla by tam historie změn apod.
Objevil jsem další problém: Ač je na straně 90 uvedeno kódování ALTO XML i TXT OCR musí být v UTF-8, dva textové soubory jsou v UTF-16:
Martin-iMac:1234567890 martin$ file txt/txt_1234567890_0002.txt
txt/txt_1234567890_0002.txt: Little-endian UTF-16 Unicode text, with CRLF line terminators
Martin-iMac:1234567890 martin$ file txt/txt_1234567890_0001.txt
txt/txt_1234567890_0001.txt: Little-endian UTF-16 Unicode text, with CRLF line terminators
Martin-iMac:1234567890 martin$ file alto/alto_1234567890_0001.xml
alto/alto_1234567890_0001.xml: XML 1.0 document text, UTF-8 Unicode (with BOM) text, with very long lines, with CRLF line terminators
Martin-iMac:1234567890 martin$ file alto/alto_1234567890_0002.xml
alto/alto_1234567890_0002.xml: XML 1.0 document text, UTF-8 Unicode (with BOM) text, with very long lines, with CRLF line terminators
(soubory alto jsou v pořádku).
To způsobuje praktické problémy v Krameriovi, např. nemožnost indexace.
V opraveném balíčku jsem konvertoval oba soubory do utf-8: https://www.dropbox.com/s/r81iyv55ukn5hxn/1234567890.zip
Díky, opravený balíček je dostupný na webu standardů: https://standardy.ndk.cz/ndk/standardy-digitalizace/metadata
Mimochodem co takhle mít ty ukázkové balíčky (rozbalené) rovnou tady v gitu? Dalo by se odkazovat na nejasnosti, byla by tam historie změn apod.
Můžeme to zkusit do budoucna nějak vymyslet. Ticket ale zatím zavírám, týkal se primárně konkrétního balíčku.
Na stránce https://old.ndk.cz/standardy-digitalizace/metadata je v sekci Vzorové SIP balíčky odkaz na ukázkový balíček pro DMF zvukové dokumenty (gramodesky): https://owncloud.cesnet.cz/index.php/s/ZzQvmhivstWIuAb/download
Ten ale obsahuje zásadní chyby, které znemožňují další zpracování. Vybrané chyby jsem opravil, konkrétně:
hlavní METS nebyl well-built xml
spatne odkazovani na hlavni mets v souboru INFO:mets_1234567890.xml namísto main_mets_1234567890.xml
odkazy na neexistujici adresare v hlavnim METSu v FLocat: (amdsec/usercopy/sourceaudio/usercopyaudio namisto amd_sec/user_copy/source_audio/user_copy_audio)
v souboru INFO odkazy na soubory začínájící na "\amd_sec\amd_mets__audio" namísto "\amd_sec\amd_mets_audio"
neplatné uuid 567o1234-g56s-23c9-ah793-7804659320 nahrazeno za b8b148ea-5060-4fe5-bf64-75069599fad9
neplatne uuid 581j6543-n32m-84e3-g750-849768265310 nahrazeno za 620dca09-8eb6-4c89-a591-276c3c7340e3
neplatne uuid 637i7920-n96m-23d1-g971-1356905478 nahrazeno za e3aae24d-f3e4-4ed2-829c-1c658e8645c5
neplatne uuid 321p7654-f32d-13d5-k654-798264310000 nahrazeno za fa39bd64-c289-4e04-a7ca-c718baf69832
neplatne uuid 263e8795-k54e-15e4-r789-824600127960 nahrazeno za 6768c7d4-3468-46e3-82d8-71f7db9b5bac
neplatne uuid 548t3695-r45s-63a5-v258-589146302570 nahrazeno za ada188d3-fd3d-47ce-b143-173bee54207d
Opravená verze je zde: https://www.dropbox.com/s/oi0yjus7u5yfv78/1234567890.zip (odkaz bude funkční minimálně měsíc)
Téměř každé UUID bylo neplatné a to buď samotnou délkou (musí být 8-4-4-4-12, někdy tam bylo 8-4-4-4-10), tak obsahem (jen hexadecimální znaky 0-9,a-f), což nesplňuje třeba 263e8795-k54e-15e4-r789-824600127960.
Také bych poprosil o úpravu popisku. Jen z verze (0.3) se dá tušit, že se jedná o vzorový balíček pro DMF Zvuk-gramodesky 0.3 a ne DMF Zvuk-fonovalecky 0.3, jelikož druhý zmíněný standard v takové verzi není zveřejněn, ačkoliv se o něm píše v textu DMF Zvuk-fonovalecky 0.4.