Оцифровка 40 томов «Библиотеки натуралиста»: кастомный сканер и чистка OCR на 2,35 млн слов

В сети появилась полная цифровая версия викторианской серии The Naturalist’s Library. Это 40 томов по естествознанию периода 1833–1843 годов. Проект содержит 1387 восстановленных вручную иллюстраций птиц, рыб и насекомых. Разработчик проделал огромный объем работы с физическими исходниками.

Процесс перевода в цифру потребовал нестандартных инженерных решений. Для бережного копирования ветхих страниц автор собрал собственный сканер. Текстовая часть потребовала сложной вычистки артефактов алгоритмов OCR. Общий объем обработанного текста составил 2,35 миллиона слов. Силуэты животных на всех гравюрах отделялись от фона вручную.

Теперь этот архив работает как структурированная база данных. Материалы разбиты на категории от орнитологии до энтомологии. Веб-версия позволяет изучать оригинальные тексты и детализированную графику. Каталог открыт для профильных исследователей, разработчиков и дизайнеров.