Palestra realizada pela Sra. Giselle Porto Maia no E-DOC 2012 Curitiba.

1. 2012
Do Acervo Memorial ao Mundo Digital

2. Quem somos
 Publicação dos produtos impressos O Globo, Extra e Expresso;
 Distribuição digital dos produtos O Globo, Extra, Ela Digital e
Rio Show.
 Fundada em julho de 1925;
 Foco de atuação no Rio de Janeiro;

3. Digitalização do acervo histórico da Infoglobo,
garantindo a sua preservação e o preparando
para utilização em novas oportunidades de
negócio.
O projeto

4. Nossos desafios
• Grande volume de material (1,8MM páginas)
• Acervo físico em microfilme com algumas lacunas
• Fragilidade das coleções impressas
• Garantia da qualidade das imagens digitalizadas

5. Premissas Adotadas
Digitalização a partir do acervo microfilmado:
 Mais rápido do que a partir do acervo impresso;
 Evita a manipulação das coleções impressas;
 Boa qualidade das imagens geradas a partir desse suporte.
Geração de imagens bitonais:
 Arquivos aproximadamente 5x mais leves: menor custo com armazenamento;
 Expectativa de melhor performance no trabalho de inserção das camadas de texto.
Busca textual nas páginas digitalizadas

6. Solução
 Páginas impressas
 Microfilmes do acervo
digitalização
 Imagens Digitais
(TIFF)
 Imagem + Texto
(PDF c/texto)
Processo OCR
 Sistema de
arquivamento
Arquivamento

7. Solução - Microfilmes
 A digitalização dos microfilmes feita por um
fornecedor externo;
 Dificuldade: parte do material comprometido
 Resposta: regerar microfilmes a partir das coleções
impressas

8. Solução - Páginas impressas
 Contratação de mão de obra e equipamentos para
realização do trabalho internamente;
 Dificuldade: qualidade de impressão das páginas;
 Resposta: tratamento manual da imagem gerada.

9. Solução - Camada de texto
 Contratação de um fornecedor para inserir a
camada de texto nas imagens;
 Dificuldade: poucas empresas no Brasil e alto custo
dos fornecedores estrangeiros;
 Resposta: prova de conceito com fornecedores
nacionais e internacionais.

10. Solução - Camada de texto
 Prospecção de fornecedores
 Prova de conceito
 Peso e qualidade dos PDF’s entregues
 Precisão do OCR entregue
 Precisão da segmentação de artigos
 Precisão da identificação de informações para metadados: títulos e
autores das matérias
 Corte automático das rebarbas da página (invasão de páginas
adjacentes)
 Orientação automática das páginas (o mais horizontal possível)

11. Solução - Camada de texto
 Recebimento das imagens com camada de texto em
lotes semanalmente;
 Validação qualidade sobre amostragem do lote;
 Pelo menos uma imagem dos arquivos da
amostragem não atender aos padrões de
qualidade, o lote é reprocessado.

12. Considerações finais
 Digitalização total do acervo: aproximadamente 1
ano;
 Equipe de projeto:
 5 profissionais de tecnologia;
 4 profissionais do centro de documentação;
 42 profissionais para OCR
 5 controle de qualidade
 37 geração camada de texto

13. Pergutas?

14. Giselle Porto Maia
giselle.maia@infoglobo.com.br
@gisellepmaia
Obrigada!