/le_parfait_boulanger

Primary LanguageShellOtherNOASSERTION

An English version of the README is available here: README_en.md.

Le parfait boulanger, ou Traité complet sur la fabrication et le commerce du pain

But du projet

Obtenir une version numérique facilement lisible du livre (voir version originale du pdf)

Etapes du projet

1. Nettoyage de chacun des fichiers pages/*.todo.txt.

Ce qui est laissé intact:

  • les retours à la ligne,
  • les césures,
  • la conjuguaison de vieux français (ex: "on employoit" pour "on employait").

Ce qui est remplacé:

Ce qui est enlevé:

  • les numéros de pages,
  • les numéros de chapitres,
  • les multiple lignes vides,
  • les caractères de contrôle autres que les retours à la ligne et la tabulations.

Une fois toutes les pages nettoyées, il sera facile de modifier automatiquement les pages pour créer une version moderne du texte.

Renammage:

Les fichiers restant à nettoyer sont nommés pages/*.todo.txt. Une fois nettoyé, le ficher est renommé en pages/*.done.txt.

Exemple:

  • avant nettoyage: pages/056_chap_1_page_001.todo.txt
  • après nettoyage: pages/056_chap_1_page_001.done.txt

2. Assemblage

Assemblage des fichiers pages/*.done.txt en 1 fichier par chapitre (chapitres/1.txt etc.)

3. Génération de fichiers PDF, EPUB etc.

Status actuel

Le nettoyage du chapitre 0 ("Introduction") est en cours.

Comment contribuer ?

Pour envoyer des modifications, plusieurs options:

  • via git & github: créez un fork du projet et proposez une pull request,

  • en créant une "issue" en utilisant ce template,

  • vous pouvez aussi envoyer le contenu modifié d'une page par email à:

    e1uixs10i AT mozmail.com

    Je me chargerai alors d'intégrer ces changements au projet.

Conventions de nommage des fichiers dans "pages"

Dans le répertoire "pages", les noms de fihiers contiennent, dans l'ordre:

  • le numéro de page du pdf,
  • le numéro du chapitre,
  • le numéro de page dans le livre,
  • le status ("todo" ou "done") indiquant si le fichier reste à nettoyer ou a déjà été traité.

Exemple: 056_chap_1_page_001.todo.txt:

  • page 56 du pdf,
  • chapitre 1,
  • page 1 de livre,
  • n'a pas encore été nettoyé.

Autres

  • Imagemagick a été utilisé pour la création d'un fichier image PNG pour chaque page du livre:

    $ ./ocr/pdf_to_images.sh

  • Tesseract a été utilisé pour la reconnaissance des caractères de chacune des pages:

    $ ./ocr/images_to_txt.sh

Licence

Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)

Voir LICENSE