Das isses: Lade ein Buch aus #ScriptaPaedagogica der #BBF und erstelle einen #Volltext

$> ppn=1675717745 && curl -v -o $ppn.xml https://scripta.bbf.dipf.de/viewer/sourcefile?id=$ppn && mkdir -p tifs && cd tifs && ( (xmllint --xpath "//*[local-name()='FLocat']/@*[local-name()='href'][contains(.,'full/800')]" ../$ppn.xml | cut -c88-99) | xargs -I % curl -v -o %.jpg https://scripta.bbf.dipf.de/viewer/api/v1/records/1675717745/files/images/%/full/800,/0/default.jpg ) && ls -1 > input.txt && tesseract -l deu input.txt allInONe

#bash übrigens

#Maltes_API_Spielereien

Munter weiter zur Frage (4/x): Wie erhalte ich #Volltext e von allen Seiten in einer Datei?

Nachdem wir ja die #ALTO -Dateien heruntergeladen hatten, können wir den Text mit xmllint extrahieren:

$>xmllint --xpath "//@CONTENT" *.xml | cut -d = -f 2 | tr -d \" >> ../out/allInOne.txt

Allerdings: das ist furchtbar! //@CONTENT sollte eigentlich bereits den Text ausgeben. xmllint macht aber komisches Zeug.

#Maltes_API_Spielereien

Unter weiter Anleitung zur Frage (3/x): zur Frage: Wie erhalte ich Volltexte von allen Seiten in einer Datei?

Wir nehmen den Befehl von gestern und leiten das Ergebnis - die URLs - über eine weitere pipe an curl weiter:

xmllint --xpath "//*[local-name()='FLocat']/@*[local-name()='href'][contains(.,'alto')]" METS.xml | cut -c14-97 | xargs -I % curl -v -O %

Jetzt liegen alle ALTO-Dateien auf deinem Rechner!

#mets #goobi_viewer #goobi #pipe #bash #Maltes_API_Spielereien

(2/x) zur Frage: Wie erhalte ich Volltexte von allen Seiten in einer Datei?

Wir sind faul und haben die Seiten noch nicht per Hand aus dem #goobi_viewer runtergeladen.

Dreh-undAngelpunkt ist die METS-Datei, denn in dieser, sind verschiedene Varianten der Digitalisate enthalten, z.B. möglicherweise ein #Volltext in #ALTO

$> xmllint --xpath "//*[local-name()='FLocat']/@*[local-name()='href'][contains(.,'alto')]" METS.xml | cut -c14-97

Wir erhalten die URLs.

#Maltes_API_Spielereien

Zur Frage: Wie erhalte ich Volltexte von allen Seiten in einer Datei? (Die lassen sich nämlich nicht über die HTML-Oberfläche eines #goobi_viewer s herunterladen.)

Angenommen, die Texte wurden als Plaintext schon heruntergeladen und liegen in einem Verzeichnis in.

In einem Terminal einfach das eingeben:

$> cat in/*.txt >> PPN_alleseiten.txt

Anleitung (1/x)

Experiment: #frecher_einzeiler , mastodon-Formatierungen

#Maltes_API_Spielereien