Le livre 010101 (1971-2015)

Les premières bibliothèques numériques

Numérisation en mode texte et en mode image

Qui dit bibliothèque numérique dit numérisation, au moins les premières années, puisque les livres numériques émanent pour la plupart de livres imprimés. Pour pouvoir être consulté à l’écran, un livre peut être numérisé soit en mode texte soit en mode image. Le mode texte correspond souvent à une saisie «au kilomètre» – avec la possibilité d’une recherche plein texte - tandis que le mode image veille à conserver l’aspect du livre original, chose précieuse par exemple pour les livres illustrés et les livres d’art.

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, avec relecture éventuelle à l’écran pour corriger le texte obtenu puisqu'un bon logiciel OCR ne serait fiable qu’à 99%, avec une dizaine d’erreurs par page.

La version informatique du livre ne conserve pas la présentation originale du livre ni celle 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 très 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 entre autres par le Projet Gutenberg, fondé dès 1971 pour proposer à ce jour la plus grande bibliothèque numérique au format texte, avec des livres relus et corrigés deux fois pour être fiables à 99,9% par rapport à la version imprimée.

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 devient le fac-similé numérique de la version imprimée. C’est la méthode employée pour les numérisations à grande échelle, par exemple pour le programme de numérisation de la Bibliothèque nationale de France (BnF) en vue de l’ouverture de sa bibliothèque numérique Gallica. La numérisation en mode texte est utilisée en complément pour 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 convertit toutefois nombre de ses livres du mode image au mode texte, et propose les fichiers texte en complément pour permettre les recherches textuelles sur l’ensemble du livre.

Concepteur de Mot@mot, logiciel de remise en page de fac-similés numériques, Pierre Schweitzer insiste sur l’intérêt sinon 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 œuvres, 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 œuvre, 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.»

Table des matières