Výstupy pracoviště digitalizace

Výstupem pracoviště digitalizace by měl být kompletně zpracovaný digitální dokument obsahující všechny typy metadat a požadovaných digitálních souborů:

• popisná metadata
• administrativní metadata
• technická metadata
• strukturální metadata
• archivní obrazové soubory
• uživatelské obrazové soubory
• textové soubory OCR + případné další verze uživatelských souborů (pdf apod.)

Bibliografická data zvolených dokumentů budou exportována ze systému ALEPH pomocí souboru XML do systému RegistrDigitalizace.CZ ve formátu, jenž bude odpovídat struktuře MARC-XML. Pomocí konvertoru se vytvoří základní popisná metadata (DMD – descriptive metadata) ve formátu MODS-XML. Tento proces bude probíhat automaticky. 

Dalším krokem bude zpracování obrazových souborů i metadat v softwaru pro workflow. Zde se provede úprava obrazových souborů (ořez a narovnání, potlačení pozadí a průtisků), s využitím OCR a co nejvíce automatizovaných postupů se vytvoří struktura dokumentu a proběhne konverze do uživatelských formátů, generování administrativních metadat (AMD) a propojení všech částí digitálního dokumentu. Komplexní digitalizovaný dokument včetně uživatelských kopií pak bude exportován do LTP systému, uživatelské kopie pak v určité fázi Ingestu v LTP systému poputují do digitální knihovny Kramerius (případně WebArchiv nebo jiné). 

Základní fyzickou jednotkou bude soubor obsahující jednu stranu dokumentu. Zhotovené digitální dokumenty budou předávány k validaci a archivaci LTP systému v definované datové struktuře SIP (Submission Information Package podle konceptu OAIS). SIP bude ve formátu METS. Předpokládáme více variant SIP pro různé typy dokumentů.

Formáty a standardy

Digitalizační linka by měla být schopna vytvářet soubory ve více typech formátů, např.:

metadata

obrazové soubory (platí pro novodobé dokumenty)

METS - bude využit jako formát, do kterého se „zabalí“ další metadatové formáty

MODS - formát popisných bibliografických metadat, vycházející z MARC21 (knihovnický formát na popis klasických dokumentů v knihovnách)

MARCXML - MARC21 zapsaný pomocí XML

PREMIS - speciální metadatový formát na zápis ochranných metadat, určených k tomu, aby LTP systém mohl s uloženými daty dále pracovat a dlouhodobě je chránit

MIX - speciální metadatový formát pro technická metadata o digitálním obrazu

METS ALTO případně ALTO XML - metadatový formát pro vyjádření OCR – rozpoznávání textu. Díky tomuto formátu lze prohledávat text v obrazových dokumentech a zobrazovat ho uživateli.

Je nutné si uvědomit, že typů dokumentů, které budou v systému uchovávány, bude více a ne pro všechny je vhodný jeden typ popisných metadat (jednotlivé obrazy, entity složené z více

obrazů, audio, video apod.).

Ochranná metadata a PREMIS a METS

Termín ochranná metadata zahrnuje několik kategorií obyčejně užívaných k rozlišení typů metadat. Jsou to:

• – administrativní (včetně práv a povolení, historie provedených akcí apod.)
• – technická
• – strukturální

 PREMIS je metadatový formát pro dlouhodobou archivaci založený na modelu OAIS a jako takový je široce využívaný v komunitě zabývající se dlouhodobou ochranou digitálních dat. Soupisem elementů formátu a jejich využití je PREMIS Data dictionary. Formát, díky svému datovému modelu, dokáže tak říkajíc naplnit části METSu určené pro administrativní metadata. Jde o část METS nazvanou amdSec (tj. administrativní metadata).

Samotná implementace PREMISu do METSu bude následující, běžně využívaná v mnoha knihovnách a zároveň přímo doporučená radou pro formát PREMIS.