alix-tz / usingtranskribusapi Goto Github PK

Un script pour interroger l'API de Transkribus et générer des fichiers XML-TEI et leur métadonnées.

• Installation de l'environnement virtuel

• requestingTranskribus.py permet de récupérer l'ensemble des transcriptions disponibles dans une ou plusieurs collections correspondant à un ou plusieurs statuts. Ces informations sont indiquées dans config.py. Les transcriptions sont disponibles au format PAGE. Attention, le script ne télécharge pas l'image utilisée comme facsimilé par un fichier XML-PAGE.

  • pour chaque collection, un dossier est créé pour contenir l'ensemble des dossiers de sous-collections.
  • pour chaque sous-collection, un dossier est créé contenant un fichier metadata.json, qui contient les métadonnées de la sous-collection.
  • pour chaque page de la sous-collection aux statuts recherchés, un fichier .xml est créé, nommé d'après le numéro de page auquel il correspond.
  • deux attributs sont ajoutés dans le fichier .xml créé, pour l'élément Page : @id dont la valeur correspond au numéro de page, et @url dont la valeur est l'url de récupération de l'image de la page.

A partir de cet export de fichiers XML-PAGE :

• fromPAGEtoText.py permet de transformer les fichiers XML-PAGE d'une collection en des fichiers de texte brut. Chaque sous-collection est traitée à part et donne lieu à la création d'un fichier dans le dossier __TextExports__. Les sauts de zones de texte et de pages sont signalés par des marqueurs dans les documents.

• toSingleXML.py permet de rassembler les fichiers XML-PAGE qui composent une sous-collection en un seul fichier. Chaque sous-collection est traitée à part et donne lieu à la création d'un fichier dans le dossier __AllInOne__. Attention, Un élément <tu:PageGrp> a été ajouté pour rassembler tous les éléments <Page> et leur contenu ; il n'est pas conforme au schéma PAGE original.

• page2tei_TimeUS