[Résumé]
En 1998, qui dit livre numérique dit numérisation, la majorité des
livres existant seulement en version imprimée. Pour pouvoir être
consulté à l'écran, un livre peut être numérisé soit en mode image soit
en mode texte, les deux modes de numérisation étant complémentaires. La
numérisation en mode image consiste à scanner le livre, et correspond
donc à la photographie du livre page après page. La présentation
originale étant conservée, on peut feuilleter le livre à l’écran. La
version informatique est le fac-similé numérique de la version
imprimée. Si elle est plus économique, cette méthode ne permet pas la
recherche textuelle. La numérisation en mode texte consiste à scanner
le livre en mode image, puis à le convertir en mode texte grâce à un
logiciel OCR (Optical Character Recognition). La version informatique
du livre ne conserve pas la présentation originale du livre ou de la
page mais elle permet la recherche textuelle.
***
En 1998, qui dit livre numérique dit numérisation, la majorité des
livres existant seulement en version imprimée.
Pour pouvoir être consulté à l'écran, un livre peut être numérisé soit
en mode texte soit en mode image, les deux modes de numérisation étant
complémentaires.
# La numérisation en mode texte
Les premiers temps, la numérisation en mode texte consiste à patiemment
saisir le livre sur un clavier, page après page, solution souvent
adoptée lors de la constitution des premières bibliothèques numériques,
ou alors quand les documents originaux manquent de clarté, pour les
livres anciens par exemple.
Les années passant, la numérisation en mode texte consiste surtout à
scanner le livre en mode image, puis à le convertir en texte grâce à un
logiciel OCR (Optical Character Recognition), avec relecture éventuelle
à l’écran pour corriger le texte obtenu puisqu'un bon logiciel OCR
serait fiable à 99%.
La version informatique du livre ne conserve pas la présentation
originale du livre ou de la page. Le livre devient texte, à savoir un
ensemble de caractères apparaissant en continu à l’écran. À cause du
temps passé au traitement de chaque livre, ce mode de numérisation est
assez long, et donc nettement plus coûteux que la numérisation en mode
image. Dans de nombreux cas, il est toutefois préférable, puisqu’il
permet l’indexation, la recherche textuelle, l’analyse textuelle, une
étude comparative entre plusieurs textes ou plusieurs versions du même
texte, etc.
C’est la méthode utilisée par exemple par le Projet Gutenberg, fondé
dès 1971 et qui propose aujourd'hui la plus grande collection numérique
au format texte, avec des livres relus et corrigés à deux reprises pour
être fiables à 99,95% par rapport à la version imprimée.
# La numérisation en mode image
La numérisation en mode image consiste à scanner le livre, et
correspond donc à la photographie du livre page après page. La
présentation originale étant conservée, on peut feuilleter le livre à
l’écran. La version informatique est le fac-similé numérique de la
version imprimée.
C’est la méthode employée à la fin des années 1990 pour les programmes
de numérisation à grande échelle, par exemple celui de la Bibliothèque
nationale de France (BnF) pour alimenter sa bibliothèque numérique
Gallica. Ne sont numérisés en mode texte que les tables des matières,
les sommaires et les corpus de documents iconographiques, afin de
faciliter la recherche textuelle.
Pourquoi ne pas tout numériser en mode texte? La BnF répond en 2000 sur
le site de Gallica: «Le mode image conserve l’aspect initial de
l’original y compris ses éléments non textuels. Si le mode texte
autorise des recherches riches et précises dans un document et permet
une réduction significative du volume des fichiers manipulés, sa
réalisation, soit par saisie soit par OCR, implique des coûts de
traitement environ dix fois supérieurs à la simple numérisation. Ces
techniques, parfaitement envisageables pour des volumes limités, ne
pouvaient ici être économiquement justifiables au vu des 50.000
documents (représentant presque 15 millions de pages) mis en ligne.»
Dans les années qui suivent, Gallica convertira toutefois nombre de ses
livres du mode image au mode texte pour permettre les recherches
textuelles.
# Chaque mode de numérisation a son utilité
Concepteur de Mot@mot, logiciel de remise en page des fac-similés
numériques, Pierre Schweitzer insiste sur l’utilité des deux modes de
numérisation. Il explique en janvier 2001: «Le mode image permet
d’avancer vite et à très faible coût. C’est important car la tâche de
numérisation du domaine public est immense. Il faut tenir compte aussi
des différentes éditions: la numérisation du patrimoine a pour but de
faciliter l’accès aux oeuvres, il serait paradoxal qu’elle aboutisse à
se focaliser sur une édition et à abandonner l’accès aux autres. Chacun
des deux modes de numérisation s’applique de préférence à un type de
document, ancien et fragile ou plus récent, libre de droit ou non (pour
l’auteur ou pour l’édition), abondamment illustré ou pas. Les deux
modes ont aussi des statuts assez différents: en mode texte ça peut
être une nouvelle édition d’une oeuvre, en mode image c’est une sorte
d’"édition d’édition", grâce à un de ses exemplaires (qui fonctionne
alors comme une fonte d’imprimerie pour du papier). En pratique, le
choix dépend bien sûr de la nature du fonds à numériser, des moyens et
des buts à atteindre. Difficile de se passer d’une des deux façons de
faire.»