zásadní chyby v ukázkovém balíčku pro DMF zvuk-gramodesky 0.3

[rzeh4n]

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.

[rzeh4n]

Mimochodem co takhle mít ty ukázkové balíčky (rozbalené) rovnou tady v gitu? Dalo by se odkazovat na nejasnosti, byla by tam historie změn apod.

[rzeh4n]

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

[vjirousek]

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.