FR: Feedback

[matyaskopp]

I will extend the feedback soon

Nice work, thanks for aligning facsimiles with text!

hyphenated words

• repeated hyphenated words

https://github.com/cppmai1103/PressMint/blob/791b7b4ce56b927d811ea369b92e8d8e85841242/Samples/PressMint-FR/1920/PressMint-FR_1920-01-01-LeTemps-BnF-0243877.xml#L6085-L6086

<lb facs="#PressMint-FR_1920-01-01-LeTemps-BnF-0243877.page1.tl000041"/>discussion publique. D'ailleurs, qu'il se .produ�as quelques
<lb facs="#PressMint-FR_1920-01-01-LeTemps-BnF-0243877.page1.tl000042"/>quelques jours plus t�t ou plus tard,' ce d�bat doit

You can see multiple occurrences in the paragraph (highlighted only the one above):

broken encoding

• accented characters are broken

https://github.com/cppmai1103/PressMint/blob/58024c7ba634b5a94c46d575353739dc620c0cd8/Samples/PressMint-FR/1920/PressMint-FR_1920-01-01-LeTemps-BnF-0243877.xml#L6076

<lb facs="#PressMint-FR_1920-01-01-LeTemps-BnF-0243877.page1.tl000032"/>LE PROBL�ME DE CONSTANTINOPLE

the byte sequence is C3 AF C2 BF C2 BD but it should be C3 88 to print È in utf-8

this error needs to be fixed in the pipeline, because all characters are broken in the same way

Nest page content in pageBody

• nesting zones

https://github.com/cppmai1103/PressMint/blob/791b7b4ce56b927d811ea369b92e8d8e85841242/Samples/PressMint-FR/1920/PressMint-FR_1920-01-01-LeTemps-BnF-0243877.xml#L94

<zone xml:id="PressMint-FR_1920-01-01-LeTemps-BnF-0243877.page1.body" type="pageBody" ulx="148" uly="1189" lrx="5712" lry="7714"/>

should be:

<zone xml:id="PressMint-FR_1920-01-01-LeTemps-BnF-0243877.page1.body" type="pageBody" ulx="148" uly="1189" lrx="5712" lry="7714">
  <!-- column/block/line zones nested in pageBody -->
</zone>

[EmanuelaBoros]

Thank you very much @matyaskopp!

@cppmai1103, can you take a quick and we talk tomorrow?

[cppmai1103]

Thank you for the feedback, @matyaskopp!

I would like to ask what the smallest facsimile unit you expect us to extract (word-level or line-level)?

For the French data, we can extract the facsimile for each word. However, this makes the output files significantly larger. Therefore, I am currently extracting facsimiles at the line level.

[matyaskopp]

I would like to ask what the smallest facsimile unit you expect us to extract (word-level or line-level)?

For the French data, we can extract the facsimile for each word. However, this makes the output files significantly larger. Therefore, I am currently extracting facsimiles at the line level.

The line-level alignment is enough, and I will be happy to have that.
We have introduced zone/@type (https://clarin-eric.github.io/PressMint/#TEI.zone) for words and tokens, but now, giving it a second thought(@TomazErjavec), it would be a nightmare to encode it properly in a linguistically annotated version:

• OCR uses space-guided tokenization; the real tokenization can be different
• The token can be present in multiple zones when the word is hyphenated (@facs allows multiple pointers, but this would lead to sub-token alignment)

[matyaskopp]

broken encoding

• accented characters are broken

https://github.com/cppmai1103/PressMint/blob/58024c7ba634b5a94c46d575353739dc620c0cd8/Samples/PressMint-FR/1920/PressMint-FR_1920-01-01-LeTemps-BnF-0243877.xml#L6076

LE PROBL�ME DE CONSTANTINOPLE
the byte sequence is C3 AF C2 BF C2 BD but it should be C3 88 to print È in utf-8

this error needs to be fixed in the pipeline, because all characters are broken in the same way

When I check the source xml: https://github.com/cppmai1103/PressMint/blob/791b7b4ce56b927d811ea369b92e8d8e85841242/Samples/PressMint-FR/Sources/0243877/ocr/X0000001.xml#L546
I can see that it is already broken, the header shows <?xml version="1.0" encoding="iso-8859-1"?>, but it contains broken sequence:

0000c070: 5445 4e54 3d22 5052 4f42 4cef bfbd 4d45  TENT="PROBL...ME

There is EF BF BD, but in iso-8859-1 it should be C8 (https://cs.stanford.edu/people/miles/iso8859.html#ISO-UPPER)

Is it not possible that you accidentally opened the source file in UTF-8 encoding and saved it?

[cppmai1103]

Thank you for pointing this out @matyaskopp. I didn’t realize it before and thought it was an OCR error. I will fix it.

[matyaskopp]

hyphenated words

• repeated hyphenated words

Just for the record, the lb is moved after the hyphenated token, and the hyphen is removed

        <lb facs="#PressMint-FR_1920-01-01-LeTemps-BnF-0243877.page1.tl000040"/>donc plus de raison pour ajourner la discussion
        <lb facs="#PressMint-FR_1920-01-01-LeTemps-BnF-0243877.page1.tl000041"/>publique. D'ailleurs, qu'il se .produîas quelques

broken encoding

• accented characters are broken

Great, this looks much better. There are still some OCR artefacts, but they are mainly on the page fold and does not seem to be an encoding issue.

Nest page content in pageBody

• nesting zones

https://github.com/cppmai1103/PressMint/blob/791b7b4ce56b927d811ea369b92e8d8e85841242/Samples/PressMint-FR/1920/PressMint-FR_1920-01-01-LeTemps-BnF-0243877.xml#L94

should be:

You have removed the pageBody zones.

[cppmai1103]

Hi,

Thank you for your review.

I have kept the pageBody zone, which you can find here:
https://github.com/cppmai1103/PressMint/blob/b3d7edb92e562e8af35fe7f7e205cc0a79cb07a3/Samples/PressMint-FR/1920/PressMint-FR_1920-01-01-LeTemps-BnF-0243877.xml#L148

There are several block elements before pageBody. In the ALTO files (e.g., X0000001.xml), there are two main areas: TopMargin (pink) and PrintSpace (green).

I mapped pageBody only to PrintSpace because it contains the main body of the newspaper. Therefore, in the new version, I left the blocks belonging to TopMargin outside pageBody.

In the old version, since I didn't have nested zones, I let pageBody appeared before all blocks.

Could you please advise whether I should include TopMargin within pageBody, or keep it as it is now?

[cppmai1103]

I would also like to ask: in the French dataset, we can extract OCR confidence score at the page and word levels, should we include it in the dataset? If so, could you please advise how we should encode it?

[TomazErjavec]

Could you please advise whether I should include TopMargin within pageBody, or keep it as it is now?

I think TopMargin should be outside pageBody. However, it does occur to me (only) now, that maybe we should model our types on ALTO, rather than having completely independent ones, as is the case now.

What do you think? If you (with @matyaskopp) agree, we could open an issue for this and implement it. Currently, there are very few samples that use this, so the time is right.

[matyaskopp]

Could you please advise whether I should include TopMargin within pageBody, or keep it as it is now?

Sorry, I have overlooked it. I expected the pageBody to be the very first zone. But in fact, I like your solution more, as it better preserves the layout's semantics.

I would also like to ask: in the French dataset, we can extract OCR confidence score at the page and word levels, should we include it in the dataset? If so, could you please advise how we should encode it?

Currently the SI example shows categorized ocr quality per p (p/@ana="#quality.low"):

PressMint/Samples/PressMint-SI/1914/PressMint-SI_1914-03-12-NTYLFNWW.xml

Line 57 in 8b07283

<p ana="#quality.low" xml:id="PressMint-SI_1914-03-12-NTYLFNWW.p1">LISTEK. Kar ,,žnider". (Januš Golec). (Kooec.) Pa kratko je bilo moje veselje. Bog in sv, Križ sta me kaznovala, ker sem se pregrešil, svatoval na potu — molitve. Diržal sem še izvoljenko vedno v objemu in jej šepetal v ulio: ,,Bi me vzela? Veš, tako-le na rokab te bom nosil", Privila se je t.esneje k meni, privzdignila glavo, me pogledala šepetajoč: ,,Kdo bi si bil mislil, da me imaš tako rad, oh, seveda, seveda te vzamem." Kot bi me bila bolba vjedla po zim:,, sko6il sem pokoncu, zakaj nisem ljubkoval in pritiskal na srce Agico, ampak — vdovo Mico! Ostrmel sem kot štor. Bable se me je oklenilo v drugi6 in še pabnil je nisem od sebe, ker sem se zavedal, da me je zadela božja roka, da sem storil gr&gt;eh, ki zahteva pokoro. Zmoto pripoznati me je bilo sram in poroCil sem Mico, mesto ljubke — Agice. Odkar je pa prišvedrala Mica v mojo bajto, se je odtrgala nit zadovoljnosti in sre6e, od tedaj sem bil pijanec, baba pa tatics. No, sedaj pa govori, ti virt, 6e mi ni res sam sv. Križ, Oti6ev in dravogradski, naložil križ v ženski podobi, ki me bode tla6il in pritiskal do groba," Tako je pripovedoval Duka in zahteval še en frakel na moj ra.6un. Kr6mar pa je vzel pipo iz ust, pljujiil po tleb in nekako skrivnostno pripomnil: ,,Mica je za cvirnarja zaslužena šiba božja", * * * Od tega 6asa je postal Kar žnider nekako zaupljiv p.roti meni in mi razkril še marsikateri skrit kotiček svojega srca, ki pa ne spada v javnost. Ko sva se spoznala po tej povesti, vrgel je že 76 let 6ez ramo. Bil je mož srednje postave in v kolenib se mu je poznalo kot staremu konju, da si že nalaga osmi križ. Noge je bolj vla6il za sabo kot jih dvigal, Kake poteze pa so mu slikale obraz, skozi 2 leti nisem mogel spoznati, pneve6 je bil brkast in se je menda le vsake kvatre oplaknil z vodo. Nosil je po navadi umetniško dolge lase, dasi je bil samo krojaS, ki se je zavedai svoje stroke. Glav.o mu je krilo poklepano pokrivalo, o katerem dvomim, da mu je dal kedaj klobu6ar obliko. Držal ga je skupaj debel obro6 iz grobega platna. Odkril se je dedec le v cerkvi, slcer je pa skrbno zakrival pred zasmehom obširno pl&gt;ešo in rog, ki mu je poganjal na vrhu glave. Dasi je bil po pokliou kroja6, se mu naobleki ni poznalo, da se ukvarja mož s šivanko in nitjo. Pušil je tobak in bil na6e^ loma In v praksi silen' nasprotnik novodobnega — protialkoliolnega gibanja, Pa mislim, da njegovib živ^ cev ni dražil alkohol, ampak jezik in dolgi prsti žene — Oti6eve Mice. Blvala sta zadnji dve leti le re&lt;dko skupaj in se Io6ila vsikdar v prepiru. Kedo je bil glavni krivec, ni znal nikdo, menda je zabijala zagozdo razdora — božja kazen, Le malokdo je znal za kroja6evo pravo im.e, branijo in prikrivajo ga lcrstne bukve, vse ga je zvalo za ,,Kar žniderja", Gotovo se ga je oprijelo to ime vsled navade, rad je namre!6 rekel: ,,No, to pa je ke kedaj kar", Ni se hudoval zaradi tega vsiljenega mu imena. Ni ga zamerjal ne mladim ne starim, Zadnje 6ase je le malo vdeval v šivanko, zapuš6ale so ga o6i. Vsakdanji kruh in obi6ajne frakle si je pa služil s tem, da je pri kmetih sekal steljo. Pozimi pa je ogrebal revščino kot cerkvena miš. Prosjacil jii nikdar, sramoval se je, šeIe s silo smo mu vrinili kak kraicar. V6asih mi je priznal, da kar po cele 3 dni ni imel niti grižljaja v ustih. Prebival je v svojem živIjenju po raznib bajtab, lastnib in tujib; za mojega 6asa nekoliko od cerkve v nekaki luknji kot jazbec. * * * Letos je zapadel po bribibindolinah debel sneg. Mrzla sapa je brila skozi mesece in rezala do kosti. I^ar ž.nidarja ni bilo ve6 na Radl, odkar nas je zavila snežena odeja, Pravili so, da je bolan in se ne bode ve6 kregal ter sezuval Oti6eve Mice. Pil sem zopet nekega popoldne iz obi6ajne 6aŠe !n užival remšniški mir in samoto v polni meri, ko potrka in vstopi Golenov majer LekS. Prismejal se1 je skozi duri in bil rde6 v lice vkljub sklju6enemu hrbtu i.n sivim lasem kot planinska devica, kojo ziasnubi fant. Med zadovoljnim smehom mi je stiskal roko In jaz sem ga veselo vprašal: ,,Lekše, kaj pa bo novega, da ste tako zardeli v lioe?" ,,Ha", se je odrezal, ,,ko bi bili oni v življenju Ijubili toliko deklet kot jaz, bi bili tudi rde6i in ne tako sirotkasti. Sicer brez zamere, vejo, Kar žnider je budo bolan. Jaz sem ga že nagovarjal, da bi se spra- vil z Bogom, on pa pravl, da njegova ura še nl prišla! Se strašil nam bode in se plazil po smrti okoli oglov, 6e ne bo poravnal pravočasno dušnih dolgov. Vas je imel rad, oni naj stopijo k njemu in ga tako bolj z lepo pregovorijo." Obljubil sem, da prldem, in Lekš je smeje odšoL Vzel sem štolo ter kobacal in grebel po velikem snegu proti Golenu, Dolgo sem iskal, odprl marsikatere neprave duri in še-le po ve6kratnem baranju sem pogodil cilj. Odpabnil sem leseni zapab in . . . bunk! tresnil sem s 6elom v nizke podboje, da je kar zapelo in mi pozvonilo v možganih. Clovek se mora u6iti in vežbati v vsem; na Remšniku še skozi duri hoditi, S tem sem se potolažid in drgnil z roko rog, ki mi je kar vidoma vsled udarca poganjal na 6elu, Zmotal sem se skozi nizka vrata in stopil v ozko stanicOj ki je bila vsa založena z dračjem in razno suuljadjo, bila je pa6 — predsoba ali shramba, vse obenem. Otipal sem sreSno, brez trka s 6elom, drugl ,,rigl", ga odrinil i.n stopil v ,,salon", OpremIjen je bil z raznictanimi starbni cunjami, potolčenimi lonci in temu podobno raiznoboj.no šaro. Oziral sem se po bolniku, a ga ni zazrlo oko, tudi ta izba je bila prazna. Tretje 6rne in zakajene duri so mi kazale pot na konec — labirinta, v spalnico, Odprl sem jih i.n stal na cilju svojega potovanja in tavanja, Moje, revš6ine itak vajeno oko, je zagledalo bedo, k*akoršno, 13og me varuj, da bi jo zrl še kdaj v življenju. Stanica, 6e jo spioli dovoljen ta izraz prostoru, v katerem setm so nahaijal, je bila temna. Le par soln6nih žarkov je prodiralo skozi umazano, s papirjem zadelano okno, inmetalo nekako umazano in medlo svetlobo v prostor, Ob oknu je po6ival star, že po6rnel šivalni stroj. V kotu ob desni je 6epelo ognjiš6e s par lonci in žlico. Napenjal sem o6i; v levem kotu, na kupu slame, je nekaj ječalo in stokalo. Stopil sem bliže, spoznal bolnlka, starega znajica — Luko. Brez košSeka obleke se je zvijal na prepereli slami; krila je premražene ude le stara, zakrpana in oglodana suknja, Bolnik se je zganil, ko je cutil, 61oveka pr,ed seboj, odprl meglene o6i in uprl svoj žalosten, pretresljiv pogled na-me. Dolgo je gledal, ne da bi trenil; upadla usfa so se raztegnila v nekak prisiljen nasmen; pomolil je dolge, koš6ene roke izpod suknje, tlesknil ž njimi in jih sklenil v iskreno prošnjo. Nasmeh okrog usten mu je zaigral le za trenotek,. Celo se mu je vnovi6 naguban6ilo, usta skr6ila, spolznila se mu je solza bede po upadlem lic.u, izgubila se in skrila, kakor bi se sramovala, v košati bradi. Dolgo sem ga motril mofte; srce se mi je kr6ilo pri pogledu na to okostelo in v toliko bedo zagrebljeno, pa vendar 61oveško živo telo. . Tuidi Luka je mo!6al, solze so mu Igrale v o6eh in s slabim glasom je pretrgal molk: ,,0h, so vendar prišli; dolgo . . ., dolgo . . . se že nisva videla . . .* SkuSal je sesti, vsaj dvigniti glavo, pa omahnil je jia slamo vsled slabosti in do mozga segajoSe zaslokal. Stopil sem h Itupu slame in bolj zaprosil kot vpra§al: ,,Luka, ali se boš spoveda.1, spravil z Bogom?" Z o6esom je trenil Tn skrivnostno šepetaje odgovoril: ,,Moja — ura Še — — ni — prišla; 6e pa menite, da bi bilo dobro, pa — naj — bo v božjem — imenu. Mislim, da še bom zdrav — v cerkev — prišel; o, jaz — bi Vam — Še — znal — marsikaj povedati." Opravil je sv. spoved. Telo se mu je zopet kr6ilo vsled mraza in smrtnih bole6in. Uvidel sem, da bela žena že 6aka pri durih, še nooojšnjo noč bode zamahnila kljub mrazu in snegu s smrtno koso. Po kon6ani spovedi se je Luka bddahnil. Usta so mu na lahko in bvaležno zaigrala v nasmeh in jaz sem mu še govoril: ,,Prišel Vas bodem takoj obhajat in sv. olje Vam bodem podelil, samo umiti se morate." Obraz se mu je pri teh besedah razoral v resne poteze in bolj jezno mi je odgovoril: ,,Tega pane! Ce me umijete, je takoj po meni", Takemu vendar ne moreS podeliti sv. popotnice, mi je nekaj govorilo, saj še ust ne bodeš pogodil vsled zarašŠenih brk. Maziliti ga tudi ne moreS, ker je preve6 umazan, saj izgleda, kot bi ga potegnili iz rtaibolj goste gnojniae. Brez odgovora sem zapustil mesto bede in stopil v zgornje izbe k ženskam. Prav lepo sem prosil Lekševo ženo, naj ga umije in mu pristriže brke, ker ga pridem obhajat. Bable pa me je kaj nevoljno pogledovalo in menilo: ,,Ce bodo oni zraven, ga grem prat in žebtat, meni sami se gotovo ne pusti, ker se boji vode kot nekdo križa". Pritrdil sem njani zabtevi in sklenil spremljati in nadzorovati to potrebno kopel. Majerci je nato še drugo starikavo ženiš6e pomoglo zagreti lonec vode, vzeli sta cujijo, Lekš nam je pa dobrodošel kot ve96 brivec in stop.ili smo v brlog k bolniku. Brž ko nas je zagledal Luka, je uganil naš namen; švigal je jezno z očmi in kazal proti durim,. — Ženske so se mu približale z vodo in cunjo, majerca ga je že držala za nogo, Luka se je bolestno zganil, uprl o6i prosece v me in godrnjal: ,,Pro6 babe z vodo, ko me umijete, umrem takoj!" 2enici sta se zakrohotali in majerca, ki je bolnika držala za nožni palec, je za6ela drgniti boljiika z mokro cunjo po stopalu. Kroja6 je nakremžil obraz v vse mogo6e kisle in togotne gube, se skrčil ijn brcnil z vso še ostalo močjo v bable, ki je držalo loneo z vodo. Prevrnilo se je po dolgosti kot snop, Ionec jej je lopnil v obraz in okopala se je prav do živega s pogreto vodo. Lekša in mene je lomil smeh, ženske pa je pograbila jeza, ,,Oho", je zaklicala majerca, si popravila robec, zavihala rokave iri nadaljevala, ,,6e še lahko brcaš, Še ne bo po tebi; pa ni laž, da bi me takega zvodenelega dedca ne zmogli." Prevrnje.no ženiŠ6e se je vse togotno pobralo; voda je ourljala raz njo, sikala je kot ka6a i« pretila kar s pestmi bolniku, Z vso moSjo je zgrabila sedaj mojega Luko za nogo in orala neusmiljeno blato s 6rtalom debele cunje. Kroja6 se je kr6il, zvijal, potrepal jezno z o6mi, a ženskU ni odneliala, z&amp; odlo6en sunek pa mu je nedostajalo mo6i. Bable je še vedno drgnilo s cunjo po nogi; tudi Lekše je privlekel dolge, rjave škarje, stopil k bolniku, prijel za preobilne podnosne kocine In — ruk . . ., pokazal se je prelaz In doliod k ustom od ene strani. Zagrabil je za drugi konec in škarje so vnovi6 smrtonosno zazijale, Luka je kr6evito zagrebel prste v slamo, stresIo se je celo okostelo telo in predno je Lekše urezal s škarjami, je kroja6 zaprl o6i, globok vzdib se mu je izvil iz udrtih prs in njegova duša se je poslovila za vselej od blatnega telesa in neusmiljenega sveta . . . Vsi smo utihnili, obrazi vseli so se zresnili, vse se je zgodilo nepri6akovano, na mab . . . Prva se je zavedla majerca in iskala po izbi sveče ali vsaj Ieš6erbe, da bi že mrtvemu posvtetila skozi duri na oni svet, kjer se bode gotovo inoral prati v vicah, ker se tukaj ni maral v prigreti vodi. Ni bilo ne sve6e pri rokah, ne Iešcerbe, Ie ogorelo tresko je še branilo ognjiš6e. To je prižgala in svetila sam,a, ker mrli6 je ni mogel ve6 držati. žalostni smo se razšli; talcega slu6aja smrti še nisem doživel in ga najbrže tudi ne bom. Ce so ga pozneje mrtvega umili in m,u posekali kocine, nisem povpraševal, pa menda že. Drugi dan so pripeljali na saneh nepobarvano krsto do pokopališ6a, da bi jo položili v mrtvašnico do pogreba. Stopal je za mrli6em le rde6i LekS. Ko so obstale sani pred pokopališ6em, je klical na pomaganje, 6eš, sam ga ne morem nesti po zapadlem snegu. Ponudila sta roke na pomoC organist in' njogov brat. LekŠ je stopal in držal od zadaj, onadvai pa od spredaj. Šlo je težko po oelem in udirajo6em se stiegu, prednja nosaSa sta ve6krat zdrknila na kolena. Na krsti je počival križ brez barve in brez vsake podobice. NosaČa spredaj sta vedno padala in LekŠ je svetoval: ,,Denita križ pod krsto, bosta lažje nosila", Ubogala sta. Komaj so stopili par korakov, že se je križ pretrgal z zateglim rsk . . . in prednji del krste je zdrknil v sneg. T.udi Lekše je sedaj popustil in omenil: ,,Se križ se trga pod njim, ker se je branil vode". — No, pa vendar so spravili mrli6a v mrtvašnloo in drugi dan v grob, Le poloman Ieseni križ bode še svefdo6U i.n mol6e oznanjeval nekaj 6asa, da pod njim spava: Kar žnider, ki se je na smrt ustrašil 6:ste vode! Par dni po pogrebu sem jo mahnil na Brezno m drsal po zmrzlem snegu mimo Golena. LekŠ je ravno Iz kroja6evega brloga na dolgili drogih privlekel posteljo, preperelo slamo siromakovo. Postal sem in radovecfen opazoval, kam jo bode zavlekel. Kora6il je po6asi in pri vsakem koraku nekaj zamomlal. Obstal je tik gozda. Na dolg drog je navezal tresko, jo prlžgal in podnetil slamo od dale^^ Zapresketalo je, Srn dim se je dvignil in slama je gorela v plamenu. Lek§ se je odkril, privlekel iz žepa steklenico, hranila je gotovo blagoslovljeno vodo; napolnil je ž njo kar celo pest in škropil slamo, da je kar ovrčalo po ognju. Med tem ko je do dobra oškropil pogoriš5e od vseb strani, je slaima že tudi dogorela, valil se je še samo pojemajoS dim. Stopil je Ljeikš na dom Še po lopato, nametal snega na pogoriŠSe in rekel: ,,Sedaj pa roirovili, kuštrga vodeboje6a, okoli voglov, ti nisem nio dolžan".</p>

the ana attribute can be present at pb, so it would be possible to put the information there. For word-level confidence, it it impossible because we dont have words in TEI version, a possibility is to store the information in lb or p as a weighted average of String/@WC value. But it accepts only categories in some taxonomy, not numbers...

We(@TomazErjavec) first need to resolve #10 to answer this question properly.

[TomazErjavec]

we can extract OCR confidence score at the page and word levels, should we include it in the dataset? If so, could you please advise how we should encode it?

We discuss this in issue #10, it would be best to participate there. Currently we do have a potential solution based on ParlaMint, however, while measure can be contained by e.g. paragraph, it can't be contained by word, and, of course, can't be contained by page, as it is an empty element. For the latter, a workaround would be to have the page OCR confidence score assigned to all paragraphs inside it. No idea what to do with word....

[cppmai1103]

What do you think? If you (with @matyaskopp) agree, we could open an issue for this and implement it. Currently, there are very few samples that use this, so the time is right.

Yes, I agree with you. In that case, the <surface> could have something like:

<zone xml:id="PressMint-FR_1920-01-01-LeTemps-BnF-0243877.page1.header"
      type="TopMargin"
      ulx="..." uly="..." lrx="..." lry="...">
  <!-- column/block/line zones nested within TopMargin -->
</zone>

<zone xml:id="PressMint-FR_1920-01-01-LeTemps-BnF-0243877.page1.body"
      type="PrintSpace"
      ulx="148" uly="1189" lrx="5712" lry="7714">
  <!-- column/block/line zones nested within PrintSpace -->
</zone>

[matyaskopp]

use URN instead of URI

• idno/@type="URN"

          <idno type="URI" subtype="issue-ARK">ark:/12148/bpt6k243877q</idno>
          <idno type="URI" subtype="journal-ARK">ark:/12148/cb34431794k</idno>
          <idno type="URI" subtype="set-ARK">ark:/12148/bc6p0j3t4</idno>

should be (this will not break conversion to metadata tsv files and makes more sense)

          <idno type="URN" subtype="issue-ARK">ark:/12148/bpt6k243877q</idno>
          <idno type="URN" subtype="journal-ARK">ark:/12148/cb34431794k</idno>
          <idno type="URN" subtype="set-ARK">ark:/12148/bc6p0j3t4</idno>

I am not sure about the subtype. I understand the idea that you want to set the scope of the URN, but not sure if this is the best way to do it... (I will investigate the options...)