Reconstructing Scanned Documents for Full-Text Indexing to Empower Digital Library Services

Nitu, Melania; Dascălu, Mihai; Dascălu, Maria-Iuliana; Cotet, Teodor-Mihai; Tomescu, Silvia

doi:10.1007/978-3-030-38778-5_21

Cited by 2 publications

(3 citation statements)

References 4 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…En este trabajo se ofrece la descripción y características de once herramientas para la EI de documentos en PDF. De los once softwares presentados en Nitu et al (2020) seleccionamos cinco herramientas que, por las especificaciones y funcionalidades señaladas, mejor se ajustaban a nuestro propósito principal de extraer información de e-books en PDF para su uso en la indización automática de los mismos; aspecto fundamental, puesto que el texto de salida de las herramientas de EI es el texto de entrada para los sistemas de indización automática. Con un texto de entrada de calidad se estará en mejores condiciones de lograr una indización automática de calidad, de ahí la importancia de acertar en la selección de la herramienta de EI.…”

Section: Procedimientos Metodologicosunclassified

Extracción de información de documentos PDF para su uso en la indización automática de e-books

et al. 2022

View full text Add to dashboard Cite

Resumen El número de libros electrónicos que ingresan en las bibliotecas en formato PDF cada día es mayor, complicando y haciendo casi inviables algunos procesos realizados tradicionalmente de forma manual por los bibliotecarios, como es la asignación de materias. En este contexto, se hace necesario el diseño y desarrollo de aplicaciones que asistan a los bibliotecarios. Teniendo esto en consideración, presentamos en este trabajo la evaluación de herramientas de extracción de información de libros en PDF que podrían usarse posteriormente como materia prima para un sistema de indización automática. Para ello, realizamos una primera evaluación de cinco softwares (PDFMiner.six, PDFAct, PDF-extract, PDFExtract y Grobib) y, posteriormente, como PDFAct consiguió el mejor rendimiento, hicimos una segunda evaluación para averiguar su capacidad para identificar y extraer informaciones de los libros, tales como títulos, índices, secciones, títulos de tablas y gráficos y referencias bibliográficas, informaciones relevantes para cualquier sistema de indización. Se concluye que ninguna de las herramientas evaluadas extrae adecuadamente las diferentes partes de libros en PDF, si bien, PDFAct ha logrado un rendimiento superior al del resto.

show abstract

Section: Procedimientos Metodologicosunclassified

Extracción de información de documentos PDF para su uso en la indización automática de e-books

et al. 2022

View full text Add to dashboard Cite

show abstract

“…These included different font types and sizes identified in the same section or line of text, different styles for headers and footers in the same document, disruption of paragraphs, improper page breaks, loss of content structure, or misinterpretation of certain characters and hyphenated words. Currently existing systems are not designed to work with OCR-ized PDFs [12], raising challenges while trying to properly restructure the recognized text. The identified issues imposed the necessity of a workflow that can identify and correlate section titles with their content, recognize paragraphs boundaries, merge hyphenated words and accurately identify and extract images or tables.…”

Section: Document Pre-processing Workflowmentioning

confidence: 99%

“…Font name, font size, and text positions are stored in a list that is later on used to identify the type of the text (section title or body content), by comparing each line of text with the predominant font existing within the page. The two models were combined into a robust text extraction algorithm [12], that can easily adapt to most of the PDF document formats. The extracted text is then displayed in a rich text editor, enabling librarians to improve the extracted content by manually modifying the text.…”

Section: Figure 4 Table Of Contents Extractionmentioning

confidence: 99%

The Lib2Life Platform – Processing, Indexing and Semantic Search for Old Romanian Documents

Mitocaru¹,

Guțu-Robu

Nitu

et al. 2020

RoCHI - International Conference on Human-Computer Interaction

Self Cite

View full text Add to dashboard Cite

Preserving the cultural heritage of a nation throughout generations is essential in a continuously developing society. This paper introduces the Lib2Life platform powered by advanced Natural Language Processing techniques, focusing on the processing, indexing and semantic search of old documents from the Central University Libraries in Romania. Our platform enables the upload and text preprocessing of scanned documents by librarians, who can afterwards manually correct the extracted content and corresponding metadata. In addition, Lib2Life ensures the exploration of the collection of books using a semantic search engine to retrieve documents fitted to the users' interests. The platform was evaluated using an usability questionnaire which pinpointed out that Lib2Life is a modern and user-friendly smart search engine for old documents written in the Romanian language. Improvements in terms of server response time and functionality were suggested. The platform proved to be intuitive and easy to use, having the potential to become an analytical system incorporating a rich and diverse collection of books.

show abstract

Reconstructing Scanned Documents for Full-Text Indexing to Empower Digital Library Services

Cited by 2 publications

References 4 publications

Extracción de información de documentos PDF para su uso en la indización automática de e-books

Extracción de información de documentos PDF para su uso en la indización automática de e-books

The Lib2Life Platform – Processing, Indexing and Semantic Search for Old Romanian Documents

Contact Info

Product

Resources

About