正在查看 1 个帖子:1-1 (共 1 个帖子)
正在查看 1 个帖子:1-1 (共 1 个帖子)
正在查看 1 个帖子:1-1 (共 1 个帖子)
具体情况如下:
这是一位网友分享的1880-1948年(缺少数日期,不含广告版)《申报》OCR,纯文本txt格式,共约2.7G
github.com/moss-...w-text.zip
虽然《申报》作为主流报纸,用《全国报刊索引》等数据库很容易查到。但是有本地纯文本,显然比线上数据库更方便AI检索。
其OCR准确率非常高,识别错误很少,正文和标题匹配得也很好,小标题还都做成了特殊格式。
公众号:书格

关注了解最新动态
每个人都能自由地看到我们的文明
书格致力于开放式分享、介绍公共版权领域的数字资源
CC BY 4.0:知识共享 署名 4.0 国际

感谢:清华大学数字人文中心资助
