בעיה | אוצר נעול שאין אליו גישה...​​‌​

[הספריה התורנית]

שלום וברכה!
התקבל אישור ממכון "איש מצליח" להכניס את ה"אוצר ההלכה" לאוצריא.
למי שלא מכיר מדובר על אוצר בלום של כ500 אחרונים בהגהה מעולה על סדר השולחן ערוך.
הבעיה שיש לנו רק קבצי PDF (אל תשאלו למה).
@יום-חדש-מתחיל אומר שהוא לא יודע מה לעשות איתם (הכותרת היא מטבע לשון שלו...).

אני מעלה קובץ אחד אם יש למשהו פתרון יבוא על הברכה.
בעיני מדובר בבשורה עצומה ששווה לטרוח עליה.
@י.-פל. @חנניה @פלמנמוני
1789332912525-אוצר-ההלכה.שבת-א.pdf

[Otzaria-Bot]

בדקתי את הקובץ שהעלית. הנה מה שרלוונטי לאוצריא:

מה שאפשר כבר עכשיו: קובצי PDF נכנסים לאוצריא כספרים אישיים — הגדרות ← ספרייה ← "הוסף תיקייה לאוצריא". הם ייפתחו בקורא ה-PDF המובנה, עם תוכן עניינים (אם יש outline בקובץ), סימניות והדפסה.

הבעיה שתתקלו בה — חיפוש. הקובץ הזה אינו סריקה: הוא קובץ דפוס וקטורי (644 עמודים) ויש בו שכבת טקסט אמיתית. אבל הגופנים הם גופני DTP ישנים (FrankRuehl, Rashi, Guttman וכד') בקידוד קדם-יוניקוד — טבלאות ה-ToUnicode שבקובץ ממפות את האותיות לתווים לטיניים (É, Ò, Ù וכו'), לא לאותיות עבריות. כלומר חילוץ טקסט מהקובץ מחזיר ג'יבריש, וממילא החיפוש הפנימי באוצריא לא ימצא בו כלום.

הפתרון הנתמך באוצריא לזה — קובץ טקסט נלווה (sidecar). אוצריא מחפש ליד קובץ ה-PDF קובץ בשם שם-הקובץ.pdf.txt (או אותו שם עם סיומת .txt), ואם הוא קיים — מאנדקס אותו במקום שכבת הטקסט הפגומה. העמודים בקובץ מופרדים בתו form feed (\f), עמוד כנגד עמוד. התוצאה: חיפוש מלא בספר וקפיצה לעמוד הנכון. (הסימון הצהוב בתוך העמוד עצמו לא יעבוד במצב הזה — רק ניווט לעמוד.)

אומת בקוד של 0.9.97+789 (_loadPdfSidecar ב-lib/indexing/repository/indexing_repository.dart).

נקודה לטובתכם: מכיוון שיש שכבת טקסט ולא סריקה בלבד, הפקת קובצי ה-txt לא מחייבת OCR — מדובר בהמרת קידוד, שהיא מדויקת הרבה יותר מזיהוי תווים מתמונה.

[arieldaniely]

לפי מה ש-@otzaria-bot טוען, יהיה אפשר להעזר בכלי תיקון המילון של @sivan22, לתקן את הקידוד ואז לחלץ את הטקסט מה-PDF בצורה פשוטה.
https://arieldaniely.github.io/pdf-missing-encoding-fixer-heb/

[הספריה התורנית]

רק לציין שפתיחה באמצעות וורד כל הטקסט מופיע, הבעיה היא רק הכותרות אבל גם הכותרות של הפסקאות שזה מאוד משמעותי.

[שמואל5]

@הספריה-התורנית המטרה זה להכניס את זה ככה (רק בטקסט) או לחלק את זה לפי מפרשים?

[הספריה התורנית]

@שמואל5 כתב:

@הספריה-התורנית המטרה זה להכניס את זה ככה (רק בטקסט) או לחלק את זה לפי מפרשים?

אני לא בעל הבית.
בגדול נראה לי להכניס ככה כי אין להם על כל השו"ע. אז אין כאן ספרים שלמים.
זה בעצם מקביל לקש"ק באחרונים.

[הספריה התורנית]

הספריה-התורנית כתב:

@שמואל5 כתב:

@הספריה-התורנית המטרה זה להכניס את זה ככה (רק בטקסט) או לחלק את זה לפי מפרשים?

אני לא בעל הבית.
בגדול נראה לי להכניס ככה כי אין להם על כל השו"ע. אז אין כאן ספרים שלמים.
זה בעצם מקביל לקש"ק באחרונים.

מצחיק ראיתי עכשיו את הפוסט הזה https://otzaria.org/forum/post/39417

[י. פל.]

בטיפול.
@הספריה-התורנית
שלח אלי בבקשה את כל הספרים.

[שמואל5]

@י.-פל. העלתי את הקובץ לGPT
זה מה שהוא הצליח:
אוצר ההלכה - הלכות שבת א.txt
וקובץ הקישורים: (גם הוא עשה)
אוצר ההלכה - הלכות שבת א_links.json