LE PROJET GUTENBERG (1971-2008) by Marie Lebert is marked CC0 1.0.
To view a copy of this mark, visit
https://creativecommons.org/publicdomain/zero/1.0/
LE PROJET GUTENBERG (1971-2008)
MARIE LEBERT
NEF, University of Toronto & Project Gutenberg, 2008
Cet article est disponible en anglais: Project Gutenberg (1971-2008).
TABLE
1. Sommaire
2. Un pari depuis 1971
3. La méthode adoptée
4. La correction partagée
5. Des collections multilingues
6. Domaine public versus copyright
7. Du passé vers l’avenir
8. Chronologie
9. Statistiques
10. Liens
1. SOMMAIRE
Août 1997: 1.000 livres; avril 2002: 5.000 livres; octobre 2003: 10.000 livres;
janvier 2005: 15.000 livres, décembre 2006: 20.000 livres, avril 2008: 25.000
livres.
En juillet 1971, Michael Hart crée le Projet Gutenberg pour diffuser
gratuitement sous forme électronique les oeuvres littéraires du domaine public.
Un projet longtemps considéré par ses détracteurs comme impossible à grande
échelle. Site pionnier à tous égards, le Projet Gutenberg est à la fois le
premier site d’information sur un réseau encore embryonnaire et la première
bibliothèque numérique. Les livres sont numérisés en mode texte (TXT) en
utilisant le code ASCII (American standard code for information interchange).
Lorsque l’utilisation du web se généralise, au milieu des années 1990, le projet
trouve un second souffle et un rayonnement international. Les collections
atteignent 1.000 livres en août 1997, 2.000 livres en mai 1999, 3.000 livres en
décembre 2000, 4.000 livres en octobre 2001, 5.000 livres en avril 2002, 10.000
livres en octobre 2003, 15.000 livres en janvier 2005, 20.000 livres en décembre
2006 et 25.000 livres en avril 2008, dans 55 langues, avec 340 nouveaux livres
par mois, 340 sites miroirs dans de nombreux pays, plusieurs dizaines de
milliers de téléchargements par jour et des milliers de volontaires de par le
monde. En octobre 2001, la principale source des livres devient Distributed
Proofreaders, mis sur pied par Charles Franks pour gérer la correction partagée
entre volontaires. D’abord essentiellement anglophones, le Projet Gutenberg
s'internationalise et les collections deviennent multilingues. Le Projet
Gutenberg Europe est lancé en janvier 2004 par le Projet Rastko, basé à
Belgrade, en Serbie. Suivent le Project Gutenberg Canada et bien d'autres.
2. UN PARI DEPUIS 1971
= En quelques mots
Si le livre imprimé a cinq siècles et demi, le livre numérique a tout juste 37
ans. Il est né avec le Projet Gutenberg, créé en juillet 1971 par Michael Hart
pour diffuser gratuitement sous forme électronique les oeuvres littéraires du
domaine public. Site pionnier à tous égards, le Projet Gutenberg est à la fois
le premier site d’information sur un réseau encore embryonnaire et la première
bibliothèque numérique. Longtemps considéré par ses détracteurs comme totalement
irréaliste, le Projet Gutenberg compte 25.00 titres en avril 2008, avec des
dizaines de milliers de téléchargements quotidiens. A ce jour, personne n’a fait
mieux pour mettre les classiques de la littérature mondiale à la disposition de
tous, ni pour créer à moindres frais un immense réseau de volontaires de par le
monde, sans gâchis de compétences ni d’énergie.
Les vingt premières années, Michael Hart numérise lui-même les cent premiers
livres, avec l’aide occasionnelle de telle ou telle personne. Lorsque
l’utilisation du web se généralise au milieu des années 1990, le projet trouve
un second souffle et un rayonnement international. Tout en continuant de
numériser des livres, Michael Hart coordonne désormais le travail de dizaines
puis de centaines de volontaires de par le monde. Les collections atteignent
1.000 livres en août 1997, 2.000 livres en mai 1999, 3.000 livres en décembre
2000 et 4.000 livres en octobre 2001.
Trente ans après ses débuts, le Projet Gutenberg fonctionne à plein régime. La
barre des 5.000 livres est franchie en avril 2002, celle des 10.000 livres en
octobre 2003, celle des 15.000 livres en janvier 2005, celle des 20.000 livres
en décembre 2006 et celle des 25.000 livres en avril 2008. Avec 340 nouveaux
livres par mois, 40 sites miroirs dans de nombreux pays, plusieurs dizaines de
milliers de téléchargements par jour et des dizaines de milliers de volontaires
toutes équipes confondues.
Qu’ils aient été numérisés il y a trente ans ou qu’ils soient numérisés
maintenant, tous les livres sont numérisés en mode texte, en utilisant l’ASCII
(American standard code for information interchange) original sur sept bits,
avec des règles précises pour le formatage. Grâce à quoi les textes peuvent être
lus sans problème quels que soient la machine, la plateforme et le logiciel
utilisés, y compris sur un PDA ou sur une tablette de lecture. Libre ensuite à
chacun de convertir les livres dans d'autres formats, après avoir vérifié que
les oeuvres sont également du domaine public dans le pays concerné.
En janvier 2004, le Projet Gutenberg essaime outre-Atlantique avec la création
du Projet Gutenberg Europe. A la mission originelle s’ajoute le rôle de
passerelle entre les langues et les cultures, avec de nombreuses sections
nationales et linguistiques. Tout en conservant la même ligne de conduite, à
savoir la lecture pour tous à moindres frais, par le biais du texte électronique
gratuit, indéfiniment utilisable et reproductible. Et, dans un deuxième temps,
la numérisation de l’image et du son, dans le même esprit.
= Gestation puis persévérance
Revenons aux tous débuts du projet. Alors étudiant à l’Université d’Illinois
(Etats-Unis), Michael Hart se voit attribuer 100 millions de dollars de "temps
machine" par le laboratoire informatique (Materials Research Lab) de son
université. Le 4 juillet 1971, jour de la fête nationale, il saisit The United
States Declaration of Independence (Déclaration de l’indépendance des
Etats-Unis, signée le 4 juillet 1776) sur le clavier de son ordinateur. En
caractères majuscules, puisque les caractères minuscules n’existent pas encore.
Le texte électronique représente 5 Ko (kilo-octets). Mais l’envoi d’un fichier
de 5 Ko à la centaine de personnes que représente le réseau de l’époque aurait
fait imploser celui-ci, la bande passante étant infime. Michael Hart diffuse
donc un message indiquant où le texte est stocké - sans lien hypertexte
toutefois, puisque le web ne voit le jour que vingt ans après - suite à quoi le
fichier est téléchargé par six personnes. Le Projet Gutenberg est né.
Dans la foulée, Michael Hart décide de consacrer ce crédit-temps de 100 millions
de dollars à la recherche des oeuvres du domaine public disponibles en
bibliothèque et à la numérisation de celles-ci. Il décide aussi de stocker les
textes électroniques de la manière la plus simple possible, au format ASCII,
pour que ces textes puissent être lus sans problème quels que soient la machine,
la plateforme et le logiciel utilisés. Au lieu d’un ensemble de pages reliées,
le livre devient un texte électronique que l’on peut dérouler en continu, avec
des lettres capitales pour les termes en italique, en gras et soulignés de la
version imprimée.
Peu après, il définit la mission du Projet Gutenberg: mettre à la disposition de
tous, par voie électronique, le plus grand nombre possible d’oeuvres du domaine
public. "Nous considérons le texte électronique comme un nouveau médium, sans
véritable relation avec le papier", explique-t-il beaucoup plus tard, en août
1998. "Le seul point commun est que nous diffusons les mêmes oeuvres, mais je ne
vois pas comment le papier peut concurrencer le texte électronique une fois que
les gens y sont habitués, particulièrement dans les écoles."
Après avoir saisi The United States Declaration of Independence en 1971, Michael
Hart poursuit ses efforts en 1972 en saisissant un texte plus long, The United
States Bill of Rights (Déclaration des droits américaine). Cette Déclaration des
droits comprend les dix premiers amendements ajoutés en 1789 à la Constitution
des Etats-Unis (qui date elle-même de 1787), et définissant les droits
individuels des citoyens et les pouvoirs respectifs du gouvernement fédéral et
des Etats. En 1973, Michael Hart saisit The United States Constitution
(Constitution des Etats-Unis) dans son entier.
D’année en année, la capacité de la disquette augmente régulièrement - le disque
dur n’existe pas encore - si bien qu'il est possible d’envisager des fichiers de
plus en plus volumineux. Michael Hart entreprend la numérisation de la Bible,
composée elle-même de plusieurs livres, qui peuvent être traités séparément et
occuper chacun un fichier différent. Il débute aussi la saisie des oeuvres
complètes de Shakespeare, une pièce après l’autre, avec un fichier pour chaque
pièce. Cette édition n'est d’ailleurs jamais mise en ligne, du fait d’une loi
plus contraignante sur le copyright entrée en vigueur dans l’intervalle, et qui
vise non pas le texte de Shakespeare, tombé depuis longtemps dans le domaine
public, mais les commentaires et notes de cette édition. D’autres éditions
annotées appartenant au domaine public sont mises en ligne quelques années
après.
Parallèlement, l’internet, qui était encore embryonnaire en 1971, débute
véritablement en 1974, suite à la création du protocole TCP/IP (transmission
control protocol / internet protocol). En 1983, le réseau est en plein essor.
= De dix à mille livres
En août 1989, le Projet Gutenberg met en ligne son dixième texte, The King James
Bible, publiée pour la première fois en 1611 et dont la version standard date de
1769. En 1990, les internautes sont au nombre de 250.000, et le standard en
vigueur est la disquette de 360 Ko (kilo-octets). En janvier 1991, Michael Hart
saisit Alice’s Adventures in Wonderland (Alice au pays des merveilles) de Lewis
Carroll (paru en 1865). En juillet de la même année, il saisit Peter Pan de
James M. Barrie (paru en 1904). Ces deux classiques de la littérature enfantine
tiennent chacun sur une disquette standard.
Arrive ensuite le web, opérationnel en 1991. Le premier navigateur, Mosaic,
apparaît en novembre 1993. Lorsque l’utilisation du web se généralise, il
devient plus facile de faire circuler les textes électroniques et de recruter
des volontaires. Le Projet Gutenberg rode sa méthode de travail, avec la
numérisation d’un texte par mois en 1991, deux textes par mois en 1992, quatre
textes par mois en 1993 et huit textes par mois en 1994. En janvier 1994, le
Projet Gutenberg fête son centième livre avec la mise en ligne de The Complete
Works of William Shakespeare (Les oeuvres complètes de William Shakespeare).
Shakespeare aurait écrit l'essentiel de son oeuvre entre 1590 et 1613. La
production continue ensuite d’augmenter, avec une moyenne de 8 textes par mois
en 1994, 16 textes par mois en 1995 et 32 textes par mois en 1996.
Comme on le voit, entre 1991 et 1996, la production double chaque année. Tout en
continuant de numériser des livres, Michael Hart coordonne désormais le travail
de dizaines de volontaires. Depuis la fin 1993, le Projet Gutenberg s’articule
en trois grands secteurs: a) Light Literature (littérature de divertissement),
qui inclut par exemple Alice’s Adventures in Wonderland, Peter Pan ou Aesop’s
Fables (Les Fables d’Esope); b) Heavy Literature (littérature "sérieuse"), qui
inclut par exemple La Bible, les oeuvres de Shakespeare ou Moby Dick; c)
Reference Literature (littérature de référence), composée d’encyclopédies et de
dictionnaires, par exemple le Roget’s Thesaurus. Cette présentation en trois
secteurs est abandonnée par la suite pour laisser place à un classement par
rubriques plus détaillé.
Le Projet Gutenberg se veut universel, aussi bien pour les oeuvres choisies que
pour le public visé, le but étant de mettre la littérature à la disposition de
tous, en dépassant largement le public habituel des étudiants et des
enseignants. Le secteur consacré à la littérature de divertissement est destiné
à amener devant l’écran un public très divers, par exemple des enfants et leurs
grands-parents recherchant le texte électronique de Peter Pan après avoir vu le
film Hook, ou bien la version électronique d’Alice au pays des merveilles après
avoir regardé l'adaptation filmée à la télévision, ou encore l’origine d’une
citation littéraire après avoir vu un épisode de Star Trek. Pratiquement tous
les épisodes de Star Trek citent des livres ayant leur correspondant numérique
dans les collections du Projet Gutenberg.
L’objectif est donc que tous les publics, qu’ils soient familiers ou non avec le
livre imprimé, puissent facilement retrouver des textes entendus dans des
conversations, des films, des musiques, ou alors lus dans d’autres livres,
journaux et magazines. Les fichiers électroniques prennent peu de place grâce à
l’utilisation du format ASCII. On peut facilement les télécharger par le biais
de la ligne téléphonique. La recherche textuelle est tout aussi simple. Il
suffit d’utiliser la fonction "recherche" présente dans n’importe quel logiciel.
En 1997, la production est toujours de 32 titres par mois. En juin 1997, le
Projet Gutenberg met en ligne The Merry Adventures of Robin Hood (Les aventures
de Robin des Bois) de Howard Pyle (paru en 1883). En août 1997, il met en ligne
son millième texte électronique, La Divina Commedia di Dante (La Divine Comédie
de Dante, parue en 1321), dans sa langue d’origine, en italien.
En août 1998, Michael Hart écrit: "Mon projet est de mettre 10.000 textes
électroniques sur l’internet. (Ce sera chose faite en octobre 2003, ndlr.) Si je
pouvais avoir des subventions importantes, j’aimerais aller jusqu’à un million
et étendre aussi le nombre de nos usagers potentiels de 1,x% à 10% de la
population mondiale, ce qui représenterait la diffusion de 1.000 fois un
milliard de textes électroniques au lieu d’un milliard seulement."
= De mille à dix mille livres
Entre 1998 et 2000, la moyenne est constante, avec 36 textes par mois. En mai
1999, les collections comptent 2.000 livres. Le 2.000e texte est Don Quijote
(Don Quichotte) de Cervantès (paru en 1605), dans sa langue d’origine, en
espagnol.
Disponible en décembre 2000, le 3.000e titre est le troisième volume de A
l’ombre des jeunes filles en fleurs de Marcel Proust (paru en 1919), dans sa
langue d'origine, en français. La moyenne passe à 104 livres par mois en 2001.
Mis en ligne en octobre 2001, le 4.000e texte est The French Immortals Series
(La série des Immortels français), dans sa traduction anglaise. Publié en 1905
par la Maison Mazarin (Paris), ce livre rassemble plusieurs fictions d’écrivains
couronnés par l’Académie française, comme Emile Souvestre, Pierre Loti, Hector
Malot, Charles de Bernard, Alphonse Daudet, etc.
Disponible en avril 2002, le 5.000e texte est The Notebooks of Leonardo da Vinci
(Les Carnets de Léonard de Vinci), qui datent du début du 16e siècle. Un texte
qui, en 2008, se trouve toujours dans le Top 100 des livres téléchargés.
En 1988, Michael Hart choisit de numériser Alice’s Adventures in Wonderland et
Peter Pan parce que, dans l’un et l’autre cas, leur version numérisée tient sur
la disquette standard de l’époque de 360 Ko (kilo-octets). Quinze ans plus tard,
en 2002, on dispose de disquettes de 1,44 Mo (mégaoctets) et on peut aisément
compresser les fichiers en les zippant. Un fichier standard peut désormais
comporter trois millions de caractères, plus qu’il n’en faut pour un livre de
taille moyenne. Un roman de 300 pages numérisé au format ASCII représente un
mégaoctet. Un livre volumineux représente deux fichiers ASCII, téléchargeables
tels quels ou en version zippée.
Cinquante heures environ sont nécessaires pour sélectionner un livre de taille
moyenne, vérifier qu’il est bien du domaine public, le scanner, le corriger, le
formater et le mettre en page.
Quelques numéros de livres sont réservés pour l’avenir, par exemple le numéro
1984 (eBook #1984) pour le roman éponyme de George Orwell, publié en 1949, et
qui est donc loin d’être tombé dans le domaine public.
En 2002, les collections s’accroissent de 203 titres par mois. Au printemps
2002, elles représentent le quart des oeuvres du domaine public en accès libre
sur le web, recensées de manière pratiquement exhaustive par l’Internet Public
Library (IPL). Un beau résultat dû au patient travail de milliers de volontaires
actifs dans plusieurs pays.
1.000 livres en août 1997, 2.000 livres en mai 1999, 3.000 livres en décembre
2000, 4.000 livres en octobre 2001, 5.000 livres en avril 2002, 10.000 livres en
octobre 2003. Le 10.000e livre est The Magna Carta, qui fut le premier texte
constitutionnel anglais, signé en 1215.
Entre avril 2002 et octobre 2003, les collections doublent, passant de 5.000 à
10.000 livres en dix-huit mois. La moyenne mensuelle est de 348 livres numérisés
en 2003.
Dix mille livres. Un chiffre impressionnant quand on pense à ce que cela
représente de pages scannées, relues et corrigées. Cette croissance rapide est
due à l’activité de Distributed Proofreaders (DP), un site conçu en 2000 par
Charles Franks pour permettre la correction partagée. Les volontaires
choisissent un livre en cours de traitement pour relire et corriger une page
donnée. Chacun travaille à son propre rythme. A titre indicatif, le site
conseille de relire une page par jour. C’est peu de temps sur une journée, et
c’est beaucoup pour le projet.
En août 2003, un CD Best of Gutenberg est disponible avec une sélection de 600
livres. En décembre 2003, date à laquelle le Projet Gutenberg franchit la barre
des 10.000 livres, la quasi-totalité des livres (9.400 livres) est gravée sur un
DVD. CD et DVD sont envoyés gratuitement à qui en fait la demande. Libre ensuite
à chacun de faire autant de copies que possible et de les distribuer autour de
soi.
= De dix mille à vingt mille livres
En décembre 2003, les collections approchent les 11.000 livres. Plusieurs
formats sont désormais présents, à commencer par les formats HTML, XML et RTF,
le format principal (et obligatoire) restant l’ASCII. Le tout représente 46.000
fichiers, soit une capacité totale de 110 gigaoctets. Le 13 février 2004, date
de la conférence de Michael Hart au siège de l’UNESCO à Paris, les collections
comprennent très exactement 11.340 livres dans 25 langues différentes. En mai
2004, les 12.581 livres disponibles représentent 100.000 fichiers dans vingt
formats différents, soit une capacité totale de 135 gigaoctets, destinée à
doubler chaque année avec l’ajout de plus de 300 livres par mois (338 livres en
2004).
Parallèlement, le Project Gutenberg Consortia Center (PGCC), qui avait été lancé
en 1997 pour rassembler des collections de livres numériques avec point d’accès
unique, est officiellement affilié au Projet Gutenberg en 2003.
Par ailleurs, à l’instigation du Projet Rastko, basé à Belgrade (Serbie), les
activités de Distributed Proofreaders Europe débutent en décembre 2003, et celle
du Projet Gutenberg Europe en janvier 2004, avec cent livres disponibles en
avril 2005. Les livres sont en plusieurs langues pour refléter la diversité
linguistique prévalant en Europe, avec cent langues prévues sur le long terme.
En janvier 2005, le Projet Gutenberg fête ses 15.000 livres, avec la mise en
ligne de The Life of Reason de George Santayana (paru en 1906).
En juin 2005, le nombre de livres s’élève à 16.000. Si 25 langues seulement
étaient présentes en février 2004, 42 langues sont représentées en juillet 2005,
dont l’iroquois, le sanscrit et les langues mayas. A la date du 27 juillet 2005,
sur un total de 16.800 livres, sept langues disposent de plus de cinquante
titres: l'anglais (14.548 livres), le français (577 livres), l’allemand (349
livres), le finnois (218 livres), le hollandais (130 livres), l’espagnol (103
livres) et le chinois (69 livres).
En décembre 2006, on compte 50 langues. A la date du 16 décembre 2006, Les
langues comprenant plus de 50 titres sont l’anglais (17.377 livres), le français
(966 titres), l’allemand (412 titres), le finnois (344 titres), le hollandais
(244 titres), l’espagnol (140 titres), l’italien (102 titres), le chinois (69
titres), le portugais (68 titres) et le tagalogue (51 titres).
Lancé en août 2001, le Project Gutenberg of Australia fête ses 500 livres en
juillet 2005, tandis que le Project Gutenberg Canada est en gestation, tout
comme un Projet Gutenberg au Portugal et aux Philippines.
En décembre 2006, le Projet Gutenberg franchit la barre des 20.000 livres. Le
20.000e livre est un livre audio, Twenty Thousand Leagues Under the Sea, version
anglaise de Vingt mille lieues sous les mers de Jules Verne (publié en 1869).
Sur ces 20.000 livres, 10.000 ont été produits par Distributed Proofreaders
depuis octobre 2000. La moyenne est de 345 nouveaux livres par mois en 2006.
S'il a fallu 32 ans, de juillet 1971 à octobre 2003, pour numériser les 10.000
premiers livres, il n’aura fallu que trois ans et deux mois, d’octobre 2003 à
décembre 2006, pour numériser les 10.000 livres suivants.
A la même date, le Project Gutenberg of Australia approche les 1.500 livres
(c'est chose faite en avril 2007) et le Projet Gutenberg Europe compte 400
livres.
La section Project Gutenberg PrePrints débute en janvier 2006 pour accueillir de
nouveaux documents suffisamment intéressants pour être mis en ligne, mais ne
pouvant être intégrés aux collections existantes sans traitement ultérieur par
des volontaires, pour diverses raisons: collections incomplètes, qualité
insuffisante, conversion souhaitée dans un autre format, etc. Cette section
comprend 379 titres en décembre 2006.
= De vingt mille à vingt-cinq mille livres
Le site Project Gutenberg News débute en novembre 2006 à l’instigation de Mike
Cook, en tant que complément de la lettre d’information hebdomadaire et
mensuelle existant déjà depuis nombre d'années. Le site offre par exemple les
statistiques de production hebdomadaires, mensuelles et annuelles depuis 2001.
La production hebdomadaire est de 24 livres en 2001, 47 livres en 2002, 79
livres en 2003, 78 livres en 2004, 58 livres en 2005, 80 livres en 2006 et 78
livres en 2007. La production mensuelle est de 104 livres en 2001, 203 livres en
2002, 348 livres en 2003, 338 livres en 2004, 252 livres en 2005, 345 livres en
2006 et 338 livres en 2007. La production annuelle est de 1.244 livres en 2001,
2.432 livres en 2002, 4.176 livres en 2003, 4.058 livres en 2004, 3.019 livres
en 2005, 4.141 livres en 2006 et 4.049 livres en 2007.
Le Project Gutenberg Canada (PGC) voit le jour le 1er juillet 2007, le jour de
la fête nationale, à l'instigation de Michael Shepard et David Jones.
Distributed Proofreaders Canada (DPC) suit et la production débute en décembre
2007. Les cent premiers livres sont disponibles en mars 2008, avec des livres en
anglais, en français et en italien.
Le total pour les différents sites (USA, Australie, Europe) est de 26.161 titres
en 2007.
Le Project Gutenberg Consortia Center (PGCC) - dont le but est de rassembler des
collections de livres déjà numérisés - comptabilise 75.000 livres en décembre
2007.
Le Projet Gutenberg envoie 15 millions de livres par voie postale en 2007, sous
forme de CD et DVD. Daté de juillet 2006, le dernier DVD comprend 17.000 livres.
Les images de ces CD et DVD peuvent aussi être téléchargées sur le site de
BitTorrent pour gravage individuel.
Distributed Proofreaders (DP), lancé en octobre 2000, comptabilise 52.000
volontaires en janvier 2008, avec un nombre total de 11.934 livres traités en
sept ans et trois mois. Distributed Proofreaders Europe (DP Europe), lancé en
décembre 2003, comptabilise 1.500 volontaires. Distributed Proofreaders Canada
(DPC), lancé en décembre 2007, comptabilise 250 volontaires en janvier 2008.
Le Projet Gutenberg franchit la barre des 25.000 livres en avril 2008. Le
25.000e livre est English Book Collectors, de William Younger Fletcher (publié
en 1902). A la date du 21 avril 2008, sur un nombre total de 25.004 livres, les
langues les plus représentées sont l'anglais (21.475 livres), le français (1.168
livres), l'allemand (530 livres), le finnois (433 livres), le hollandais (326
livres), le portugais (217 livres), le chinois (196 livres), l'espagnol (180
livres), l'italien (128 livres), le latin (55 livres) et le tagalogue (54
livres). Viennent ensuite l'espéranto (45 livres), le suédois (40 livres), le
danois (20 livres), le catalan (19 livres), l'irlandais (10 livres), le
norvégien (10 livres), le russe (7 livres), l'islandais (7 livres), le hongrois
(7 livres), l'anglais ancien (6 livres), le grec (6 livres) et le bulgare (6
livres).
3. LA METHODE ADOPTEE
Qu’ils aient été numérisés il y a des années ou qu’ils soient numérisés
maintenant, tous les livres sont numérisés en mode texte, en utilisant l’ASCII
original. Présent dès les débuts de l’informatique et dénommé Plain Vanilla
ASCII, cet ASCII sur sept bits traite 128 caractères, dont 97 caractères
imprimables correspondant aux touches du clavier anglais ou américain (A-Z, a-z,
chiffres, ponctuation et quelques symboles). Dans le cas de langues autres que
l’anglais, on utilise des extensions de l’ASCII (appelées ISO-8859 ou ISO-Latin)
prenant en compte les caractères accentués. Mais, même dans ce cas, le Projet
Gutenberg propose systématiquement en complément une version ASCII sur sept bits
sans accents. Sauf, bien entendu, dans le cas de langues non traduisibles en
ASCII, comme le chinois, qui est encodé au format Big-5.
Dénommé à juste titre le plus petit dénominateur commun, l’ASCII sur sept bits
est le seul format compatible avec 99% des machines et des logiciels, et pouvant
être converti dans d’autres formats. Il sera toujours utilisé quand d’autres
formats auront disparu, à commencer par les formats éphémères liés aux tablettes
de lecture commercialisées depuis 1999 et déjà disparues du marché. Il est
l’assurance que les collections ne deviendront jamais obsolètes, et survivront
aux changements technologiques des prochaines décennies ou même des prochains
siècles. Il n’existe pas d’autre standard aussi largement utilisé pour le
moment, y compris l’Unicode, système d’encodage universel créé en 1991.
Le Projet Gutenberg propose toutefois certains livres dans d’autres formats,
notamment dans les trois formats répandus que sont les formats HTML, XML et RTF.
Des fichiers Unicode sont également présents. De plus, tout format proposé par
tel ou tel volontaire - PDF, LIT, TeX et beaucoup d’autres - est généralement
accepté, dans la mesure où un fichier ASCII est également présent.
Pour une conversion à grande échelle dans un format donné, le relais est passé à
d’autres organismes. Par exemple Blackmask Online, qui puise dans les
collections du Projet Gutenberg pour proposer des milliers de livres gratuits
dans huit formats différents, tous issus du format Open eBook (OeB). Ou encore
Manybooks.net, qui convertit les collections du Projet Gutenberg dans des
formats lisibles sur PDA. Ou encore GutenMark, un outil permettant de reformater
les livres aux formats HTML et LaTEX pour une lecture plus attractive ou bien de
les reformater au format PDF pour une impression à la demande. Ou encore
MobileBooks, qui propose 5.000 livres en Java pour lecture sur l’écran d’un
téléphone portable. Ou encore Wattpad, un service gratuit permettant un accès
immédiat aux livres du Projet Gutenberg sur son téléphone portable.
En quoi consiste exactement le travail des volontaires, une fois reçue la
confirmation que le livre est bien du domaine public? Il consiste à scanner le
livre page après page, ce qui donne des fichiers numérisés en mode image, puis à
utiliser un logiciel OCR (optical character recognition), qui permet de
convertir chaque fichier image en un fichier texte. Il consiste ensuite à relire
le contenu du fichier texte au regard de l’original (image scannée ou livre
imprimé) en corrigeant les erreurs, à savoir dix erreurs par page en moyenne
quand le logiciel OCR est de qualité.
Le livre est relu et corrigé à deux reprises par deux personnes différentes. Les
livres anciens sont parfois saisis ligne après ligne si le texte original manque
de clarté. Certains volontaires préfèrent taper eux-mêmes des textes courts ou
des oeuvres qu’ils aiment particulièrement. Mais les livres sont le plus souvent
scannés et OCRisés, puis relus et corrigés.
Contrairement à la numérisation en mode image, qui s’arrête à l’étape du
scanner, la numérisation en mode texte permet la copie du texte, l’indexation,
la recherche plein texte, l’analyse textuelle, une étude comparative entre
plusieurs textes, etc. On peut aussi lancer une recherche à partir de la
fonction "chercher" proposée par n’importe quel programme, sans logiciel de
recherche intermédiaire.
Les avantages de la numérisation en mode texte sont multiples. Les fichiers
prennent peu de place et circulent d’autant plus facilement. Contrairement à
d’autres formats, le téléchargement d’un livre au format texte ne requiert pas
de bande passante large. Le fichier texte peut être copié à l’infini, et
constituer la base de centaines de nouvelles versions numériques et imprimées,
pour un coût pratiquement nul. A tout moment, on peut corriger les erreurs
typographiques qui auraient pu subsister. Les lecteurs peuvent changer à volonté
la taille et la police des caractères, ainsi que les marges ou le nombre de
lignes par page. Le lecteur malvoyant peut grossir la taille des polices et le
lecteur aveugle utiliser un logiciel de reconnaissance vocale. Tout ceci est
nettement plus difficile, sinon impossible, avec nombre d’autres formats.
Si la correction par deux personnes différentes permet de mettre en ligne un
texte fiable à 99,9%, le but n’est pas pour autant de créer des éditions faisant
autorité, ou d’épiloguer sans fin avec un lecteur pointilleux sur le bien-fondé
ou non d’un signe de ponctuation tel que deux points à la place d’un point
virgule entre deux propositions.
Le Projet Gutenberg insiste régulièrement sur la nécessité de la relecture,
qu’il juge essentielle. Utiliser directement des livres scannés puis convertis
au format texte par un logiciel OCR, sans relecture, donne un résultat de bien
moindre qualité, avec une fiabilité de 99% dans le meilleur des cas. L’étape de
la relecture avec correction permet d’atteindre une fiabilité de 99,95%, un
pourcentage élevé qui est aussi le standard de la Library of Congress.
Le Projet Gutenberg s’inscrit donc dans une perspective assez différente de la
bibliothèque de l’Internet Archive (qui héberge également les collections du
Projet Gutenberg, en tant que deuxième site de distribution et site de
sauvegarde). Dans le cas de l’Internet Archive, les livres sont scannés puis
OCRisés, mais ils ne sont pas relus par des correcteurs s’attachant à traquer
les erreurs. Plus rapide et moins fiable quant au résultat, la numérisation des
livres sans relecture est aussi la méthode adoptée par Google, Microsoft et bien
d’autres pour leurs propres bibliothèques numériques.
Le Projet Gutenberg dispose d’un moteur de recherche pour l’ensemble de ses
collections, grâce à un partenariat avec Google, avec mise à jour mensuelle.
Tout comme une recherche sur les métadonnées (auteur, titre, descriptif,
mots-clés) grâce à un partenariat avec Yahoo!, avec mise à jour hebdomadaire.
Pour la recherche avancée (Advanced Search), la recherche multicritères (auteur,
titre, sujet, langue, catégorie, classification, format, numéro) inclut
désormais un critère supplémentaire de recherche plein texte (Full Text), à
titre expérimental.
Disponible sur le site du Projet Gutenberg, le File Recode Service permet de
convertir les fichiers d’un système d’encodage (ASCII, ISO-8859, Unicode, etc.)
à un autre. A l’avenir, un logiciel de conversion beaucoup plus puissant devrait
permettre la conversion automatique dans bien d’autres formats (XML, HTML, PDF,
TeX, RTF, BRF, etc.). Il sera également possible de choisir d’emblée la taille
et la police des caractères, ainsi que le fonds d’écran. Une autre conversion
très attendue est la conversion d’une langue à une autre par le biais d’un
logiciel de traduction automatique. Une telle conversion pourrait être possible
dans quelques années, quand ce type de logiciel aura gagné en qualité.
4. LA CORRECTION PARTAGEE
La croissance rapide des collections depuis 2001 est due à l’activité de
Distributed Proofreaders, site lancé en octobre 2000 par Charles Franks pour
gérer la correction partagée entre les volontaires. A l’origine, il s’agit
seulement d’intensifier la production de livres du Projet Gutenberg. Mais le
succès est tel que le site devient la principale source des collections. En
2002, Distributed Proofreaders est officiellement affilié au Projet Gutenberg.
En mai 2006, Distributed Proofreaders devient une entité indépendante tout en
poursuivant une collaboration étroite avec le Projet Gutenberg.
Les volontaires n’ont aucun quota à respecter. A titre indicatif, il est suggéré
de relire une page par jour, si possible. Cela semble peu, mais une page
multipliée par des centaines de volontaires représente un chiffre considérable.
La progression est rapide. En 2003, une moyenne de 250 à 300 relecteurs
quotidiens permet de produire entre 2.500 et 3.000 pages par jour, ce qui
représente deux pages par minute. En 2004, la moyenne est de 300 à 400
relecteurs quotidiens produisant entre 4.000 et 7.000 pages par jour, à savoir
quatre pages par minute. Distributed Proofreaders comptabilise un total de 3.000
livres en février 2004, 5.000 livres en octobre 2004, 7.000 livres en mai 2005,
8.000 livres en février 2006 et 10.000 livres en mars 2007, avec une production
de cinq livres par jour et 52.000 volontaires en décembre 2007.
Le 3 août 2005, le site recense 7.639 livres versés dans le Projet Gutenberg,
1.250 livres prêts à y être versés (en cours de dernière relecture et
assemblage) et 831 livres en cours de correction. Le 1er mai 2008, le site
recense 13.039 livres versés dans le Projet Gutenberg, 1.840 livres prêts à y
être versés (en cours de dernière relecture et assemblage) et 1.000 livres en
cours de correction.
Le site a pour but de permettre à plusieurs correcteurs de travailler
simultanément au même livre, sur des pages différentes. Le volontaire commence
par s’inscrire. Il reçoit des directives détaillées. Ces directives concernent
par exemple les parties en gras, en italique et soulignées, ou les notes, qui
sont toutes traitées de la même manière. Un forum permet de poser des questions
et de demander de l’aide si nécessaire. Quand le volontaire se connecte au site,
il sélectionne le livre de son choix à partir d’une liste donnée. Une page du
livre choisi apparaît simultanément en deux versions: d’une part l’image
scannée, d’autre part le texte issu de cette image, produit par un logiciel OCR.
Le relecteur compare les deux versions et corrige les différences. Un logiciel
OCR étant fiable à 99%, ceci représente une moyenne de dix erreurs à corriger
par page. La page est ensuite sauvegardée. Le relecteur peut soit cesser le
travail, soit opter pour la correction d’une autre page. Tous les livres sont
relus et corrigés deux fois de suite et, la deuxième fois, uniquement par des
correcteurs expérimentés. Les pages corrigées sont ensuite formatées selon des
règles précises et assemblées par d’autres volontaires pour obtenir un livre
numérique. Durant tout le processus, un livre donné est suivi par un responsable
(project manager) qui s’assure du bon déroulement des opérations. Après la mise
en forme suit la mise en ligne, avec indexation (titre, sous-titre, numéro de
l’ebook et format) puis catalogage (dates de naissance et de décès de l’auteur,
classification de la Library of Congress, etc.).
Les volontaires peuvent aussi travailler de manière indépendante, en s’adressant
directement au Projet Gutenberg. Ils peuvent saisir leur livre préféré de bout
en bout sur le traitement de texte de leur choix. Ils peuvent aussi scanner
eux-mêmes un livre, le convertir en texte par le biais d’un logiciel OCR et
faire les corrections nécessaires en comparant le résultat à l’original. Dans
les deux cas, une deuxième relecture est faite par une autre personne. Toute
participation est bienvenue, quelle que soit la méthode adoptée. Il est tout à
fait possible d'envoyer des fichiers dans d'autres formats en complément du
fichier ASCII.
Aussi bien pour Distributed Proofreaders (DP) que pour Distributed Proofreaders
Europe (DP Europe), de nouveaux volontaires sont bienvenus, y compris pour les
livres en français. La tâche est immense. Comme indiqué sur les deux sites, "DP
ne s’attend pas à un engagement inconditionnel de votre part. Corrigez des
textes aussi souvent que vous le voulez, et le nombre de pages que vous voulez.
Nous encourageons les gens à corriger une page par jour, mais vous êtes tout à
fait libre de faire ce qui vous plaît. Nous espérons que vous vous joindrez à
notre mission de préserver 'la littérature mondiale dans un format gratuit et
disponible pour tous'."
5. DES COLLECTIONS MULTILINGUES
Qu’en est-il exactement des langues? Le Projet Gutenberg est d'abord
essentiellement anglophone, puisqu’il est basé aux Etats-Unis et qu’il sert en
priorité la communauté anglophone nationale et internationale. Sa vocation
multilingue débute en 1997.
En octobre 1997, Michael Hart annonce son intention de produire des livres dans
d’autres langues que l'anglais. Début 1998, le catalogue comprend quelques
oeuvres en allemand, en espagnol, en français (dix titres), en italien et en
latin. En juillet 1999, Michael Hart écrit: "J’introduis une nouvelle langue par
mois maintenant, et je vais poursuivre cette politique aussi longtemps que
possible."
Si 25 langues seulement sont représentées début 2004, 42 langues sont
représentées en juillet 2005, dont l’iroquois, le sanscrit et les langues mayas.
Outre l’anglais, six langues disposent de plus de cinquante livres: le français,
l’allemand, le finnois, le hollandais, l’espagnol et le chinois. 50 langues sont
représentées en décembre 2006. Les langues comprenant plus de 50 livres incluent
désormais l’italien, le portugais et le tagalogue. 55 langues sont représentées
en avril 2008. Le latin s'ajoute aux langues ayant plus de 50 livres.
L'espéranto est en bonne place avec 45 livres, tout comme le suédois avant 40
livres.
Le français se trouve être la deuxième langue du Projet Gutenberg, après
l'anglais. Le 13 février 2004, on compte seulement 181 livres en français (sur
un total de 11.340 livres). Le 16 mai 2005, on compte 547 livres en français
(sur un total de 15.505 livres). Soit trois fois plus en quinze mois. Le 27
juillet 2005, on compte 577 livres en français (sur un total de 16.800 livres).
Le 16 décembre 2006, on compte 966 livres en français (sur un total de 19.996
livres), soit un peu moins du double en dix-huit mois. Le 21 avril 2008, on
compte 1.168 livres en français (sur un total de 25.004 livres). Le mouvement
devrait sensiblement s’accélérer dans quelques années, quand le Projet Gutenberg
Europe tournera à plein régime.
Les premiers titres disponibles dans la langue de Molière sont six romans de
Stendhal et deux romans de Jules Verne, tous mis en ligne au début de 1997. Les
six romans de Stendhal sont L’Abbesse de Castro, Les Cenci, La Chartreuse de
Parme, La Duchesse de Palliano, Le Rouge et le Noir et Vittoria Accoramboni, et
les deux romans de Jules Verne De la terre à la lune et Le tour du monde en
quatre-vingts jours. A la même date, si aucun titre de Stendhal n’est disponible
en anglais, trois romans de Jules Verne le sont: 20,000 Leagues Under the Seas
(Vingt mille lieues sous les mers, mis en ligne en septembre 1994), Around the
World in 80 Days (Le tour du monde en quatre-vingts jours, mis en ligne en
janvier 1994) et From the Earth to the Moon (De la terre à la lune, mis en ligne
en septembre 1993). Stendhal et Jules Verne sont suivis par Edmond Rostand, avec
Cyrano de Bergerac, mis en ligne en mars 1998.
A la fin de 1999, le Top 20, à savoir la liste des vingt auteurs les plus lus,
mentionne Jules Verne à la onzième place, et Emile Zola à la seizième place. Ils
sont toujours en bonne position dans le Top 100 actuel.
A titre anecdotique, le premier document illustré disponible toutes langues
confondues est French Cave Paintings (Peintures des cavernes en France), mis en
ligne dès avril 1995, avec une version XHTML ajoutée en novembre 2000. Il s’agit
de quatre photos de peintures paléolithiques retrouvées dans une grotte de
l’Ardèche (département de la région Rhône-Alpes). Ces photos sous droits ont été
mises à la disposition du Projet Gutenberg par Jean Clottes, conservateur
général du patrimoine, pour être largement diffusées.
En 2004, le multilinguisme devient l’une des priorités du Projet Gutenberg, tout
comme l’internationalisation. Michael Hart prend son bâton de pèlerin vers
l’Europe, avec des étapes à Bruxelles, Paris et Belgrade. Le 12 février 2004, il
donne une conférence au siège de l’UNESCO (Organisation des Nations Unies pour
l’éducation, la science et la culture) à Paris. Le lendemain, toujours à Paris,
il anime un débat à l’Assemblée nationale. La semaine suivante, il s’adresse au
Parlement européen à Bruxelles. Puis il rend visite à l’équipe du Projet Rastko
à Belgrade, pour soutenir la création du Projet Gutenberg Europe et de
Distributed Proofreaders Europe.
Le lancement de Distributed Proofreaders Europe par le Projet Rastko en décembre
2003 représente une étape importante. Le site est calqué sur le site original de
Distributed Proofreaders, pour gérer la relecture partagée du Projet Gutenberg
Europe. Dès ses débuts, il s'agit d'un site multilingue, qui prend en compte les
principales langues nationales. Grâce à des traducteurs volontaires, le site est
disponible en douze langues en avril 2004 et vingt-deux langues en mai 2008.
L’objectif à moyen terme est soixante langues - et donc soixante équipes
linguistiques - avec prise en compte de toutes les langues européennes.
Quand il aura atteint sa vitesse de croisière, Distributed Proofreaders Europe
devrait alimenter plusieurs bibliothèques numériques nationales et/ou
linguistiques, par exemple le Projet Gutenberg France pour la France. Le but
étant que chaque pays ou région ait son propre accès réseau autorisé (respectant
la législation en vigueur dans le pays donné), qui sera un accès local au sein
d’un réseau continental (dans le cas de la France, le réseau européen) et d’un
réseau global (à l’échelle de la planète).
Quelques mots maintenant sur le Projet Rastko, qui s’est porté volontaire pour
un pari aussi fou, catalysant du même coup les bonnes volontés européennes à
l’est comme à l’ouest. Fondé en 1997, le Projet Rastko est une initiative non
gouvernementale à vocation culturelle et pédagogique. L’un de ses objectifs est
la mise en ligne de la culture serbe. Il fait partie de la Balkans Cultural
Network Initiative, un réseau culturel régional couvrant la péninsule des
Balkans, située au sud-est de l’Europe.
En mai 2005, Distributed Proofreaders Europe compte cent livres numérisés par
ses soins, avec mise en ligne de ces cent livres le mois suivant sur le site du
Projet Gutenberg Europe. En décembre 2006, DP Europe comptabilise 400 livres
numérisés. La règle utilisée pour définir le domaine public est l’équation
"décès de l’auteur + 50 ans", qui correspond à la législation en vigueur en
Serbie. DP Europe utilise l’Unicode pour pouvoir traiter des livres dans un
grand nombre de langues. Créé en 1991 et largement répandu à partir de 1998,
l’Unicode est un système d’encodage qui attribue un code unique à chaque
caractère pour être en mesure de traiter toutes les langues, contrairement à
l’ASCII qui ne peut traiter que l’anglais et quelques langues européennes.
Le 3 août 2005, le site recense 135 livres versés dans le Projet Gutenberg
Europe, 418 livres prêts à y être versés (en cours de dernière relecture et
assemblage) et 125 livres en cours de correction. Le 10 mai 2008, le site
recense 496 livres versés dans le Projet Gutenberg Europe, 653 livres prêts à y
être versés (en cours de dernière relecture et assemblage) et 91 livres en cours
de correction.
6. DOMAINE PUBLIC VERSUS COPYRIGHT
Chose inquiétante à l’heure d’une société dite de l’information, le domaine
public se réduit comme peau de chagrin. A une époque qui n'est pas si lointaine,
50% des oeuvres appartenaient au domaine public, et pouvaient donc être
librement utilisées par tous. Mais le domaine public se dégrade régulièrement au
fil des siècles, particulièrement au 20e siècle. D'ici 2100, 99% des oeuvres
devraient être régies par le droit d’auteur, avec un maigre 1% laissé au domaine
public. Un problème épineux pour tous ceux qui gèrent des bibliothèques
numériques. La tâche du Projet Gutenberg ne se trouve donc guère facilitée par
les coups de boutoir portés au domaine public. Michael Hart se penche sur la
question depuis quelque trente ans, avec l’aide d’un groupe d’avocats
spécialisés dans le droit d’auteur.
Dans la section Copyright HowTo, le Projet Gutenberg détaille les calculs à
faire pour déterminer si un titre publié aux Etats-Unis appartient ou non au
domaine public. Les oeuvres publiées avant 1923 sont soumises au droit d’auteur
pendant 75 ans à partir de leur date de publication (elles sont donc maintenant
du domaine public). Les oeuvres publiées entre 1923 et 1977 sont soumises au
droit d’auteur pendant 95 ans à partir de leur date de publication (rien ne
tombera dans le domaine public avant 2019). Une oeuvre publiée en 1998 et les
années suivantes est soumise au droit d’auteur pendant 70 ans à partir de la
date du décès de l’auteur s’il s’agit d’un auteur personnel (rien dans le
domaine public avant 2049), ou alors pendant 95 ans à partir de la date de
publication - ou 120 ans à partir de la date de création - s’il s’agit d’un
auteur collectif (rien dans le domaine public avant 2074). Tout ceci dans les
grandes lignes. D’autres règles viennent s’ajouter à ces règles de base, et la
loi sur le copyright est retouchée onze fois au cours des quarante dernières
années.
Nettement plus contraignante que la précédente, la législation actuelle est
entérinée par le Congrès le 27 octobre 1998 pour contrer le formidable véhicule
de diffusion qu'est l'internet. "Le copyright a été augmenté de 20 ans, explique
Michael Hart en juillet 1999. Auparavant on devait attendre 75 ans, on est
maintenant passé à 95 ans. Bien avant, le copyright durait 28 ans (plus une
extension de 28 ans si on la demandait avant l’expiration du délai) et, avant
cela, le copyright durait 14 ans (plus une extension de 14 ans si on la
demandait avant l’expiration du délai). Comme on le voit, on assiste à une
dégradation régulière et constante du domaine public."
Au fil des siècles, chaque avancée technique est accompagnée d'un durcissement
du copyright, qui semble être la réponse des éditeurs à un accès plus facile au
savoir, et la peur afférente de perdre des royalties. Ce fut le cas pour
l'apparition des nouvelles presses à vapeur, puis l'apparition des nouvelles
presses électriques, puis l’apparition de la photocopieuse lancée par Xerox, et
enfin l'apparition des technologies numériques permettant la diffusion de
centaines de milliers d'oeuvres désormais disponibles sur CD et DVD et sur le
web, gratuitement ou à un prix très bas.
Pour ne prendre qu'un exemple, le classique mondial Autant en emporte le vent
(Gone With the Wind), publié en 1939, aurait dû tomber dans le domaine public au
bout de 56 ans, en 1995, conformément à la législation de l'époque, libérant
ainsi les droits pour les adaptations en tous genres. Suite aux législations de
1976 et 1998, ce classique ne devrait désormais tomber dans le domaine public
qu'en 2035.