Ingestão
A edição chega inteira
O PDF entra com os metadados da edição: número, data, capa. A partir daí nada mais depende de alguém lembrar a ordem das coisas.
Produto próprio · Em operação
Meio século de revista, página por página
Uma esteira que recebe o PDF da edição, rasteriza cada página, extrai o texto mesmo quando o original é um escaneado de 1970, enriquece com resumo e sumário e publica tudo num leitor feito para ler revista no navegador.
Está em produção, com o acervo inteiro no ar e edição nova entrando pelo mesmo caminho da antiga.
- 56 anos
- de edição digitalizada, da primeira à última
- Página a página
- cada página é uma imagem e um texto
- Uma esteira só
- a edição de 1970 e a de ontem entram igual
Onde está rodando
O acervo da PLACAR, no ar
A revista tem edição desde 1970. O que existia era um arquivo de PDFs completo e praticamente ilegível para quem não soubesse de antemão em qual edição estava o que procurava. Hoje é um acervo que se lê no navegador e se encontra pela busca.
Como funciona
Cinco etapas entre o PDF e a página que alguém lê
A esteira roda sozinha por edição. Uma edição nova entra pelo mesmo caminho de uma edição de cinquenta anos atrás, e é isso que faz o acervo não ter duas metades com qualidades diferentes.
Rasterização
Uma imagem por página
Cada página vira imagem em resoluções diferentes, porque a página que aparece na miniatura e a que a pessoa amplia para ler uma legenda não podem ser o mesmo arquivo.
Extração de texto
OCR, e visão quando o OCR não dá conta
Edição recente tem camada de texto e basta lê-la. Edição escaneada não tem, e OCR sozinho tropeça em coluna, box, legenda e anúncio. Nessas, um modelo de visão lê a página como página e devolve o texto na ordem em que um humano leria.
Enriquecimento
Resumo e sumário por edição
Com o texto na mão, cada edição ganha resumo e sumário. É o que transforma uma lista de capas em algo navegável, e é o que a busca lê, já que o miolo não fica aberto.
Publicação
Leitor próprio, catálogo indexável
O catálogo é público e indexável; o miolo é do assinante. Quem procura por uma edição antiga chega na página certa do catálogo, sem que o conteúdo pago fique aberto no caminho.
Decisões
Três escolhas que definiram o resto
Acervo digital é um problema onde as decisões erradas só aparecem no ano seguinte, quando já tem dez mil páginas processadas do jeito errado.
Leitor próprio, não visualizador de PDF
Por que não usar o que já existe
Abrir o PDF no navegador é um clique de trabalho e uma experiência de arquivo: sem sumário, sem busca dentro da edição, pesado no celular e impossível de instrumentar. O leitor próprio custou mais e é a diferença entre ter o acervo e ter uma pasta.
Visão onde o OCR falha, e não em tudo
Por que não passar tudo por modelo
Passar toda página por modelo de visão sairia caro e seria pior nas edições que já têm camada de texto confiável. A esteira decide por página qual caminho seguir, e o custo fica onde o problema está.
Catálogo aberto, miolo fechado
Como ser encontrável sem entregar o acervo
O que o buscador precisa é saber que a edição existe e do que ela trata. Isso o catálogo dá. O miolo continua sendo o motivo de assinar: fica encontrável, sem ficar aberto.
Para quem
Quem tem meio século de conteúdo parado
O padrão se repete: o material está guardado, está completo, e não gera nada, porque ninguém consegue chegar a ele.
Publicação com acervo
Revista, jornal, boletim
Décadas de edição em PDF ou em papel, que hoje são custo de armazenamento e poderiam ser produto de assinatura.
Instituição de memória
Arquivo, biblioteca, fundação
Coleção digitalizada que existe mas não se lê online, e cujo acesso depende de saber exatamente o que procurar.
Quem trocou de fornecedor
Acervo preso em plataforma de terceiro
Acervo hospedado em serviço que encerrou, encareceu ou nunca entregou busca. Recuperar o conteúdo e republicar é a mesma esteira.
Contato
Tem um acervo parado?
Conte o que existe hoje: quantas edições, em que formato e o que já foi tentado. Dá para dizer rápido se a esteira serve e qual é o caminho mais curto.
Av. Magalhães de Castro, 4800Continental Tower, 9º andar
Cidade Jardim, São Paulo, SP