Skip to content

README.md

Latest commit

 

History

History
32 lines (21 loc) · 2.48 KB

README.md

File metadata and controls

32 lines (21 loc) · 2.48 KB
Raw

BibliothecaPatristica — Projeto Patrística Digital

Explorar o acervo na BibliothecaPatristica · Acessar os arquivos OCR

Biblioteca digital e corpus OCR das coleções Patrologia Graeca, Patrologia Latina e Patrologia Orientalis. A versão publicada oferece busca, navegação por coleções e índices, resumos, palavras-chave e acesso ao texto OCR das páginas. O material textual efetivamente digitalizado está versionado em teste/, organizado por volume e página.

As coleções PG e PL foram reunidas e publicadas no século XIX pelo sacerdote e editor francês Jacques-Paul Migne (1800–1875), que ampliou extraordinariamente o acesso aos escritos cristãos antigos e medievais. A PO é uma coleção posterior e independente. Veja o contexto histórico nos READMEs em português e inglês.

Warning

Pipelines Python utilizam LLMs tanto no OCR (gating/juiz combinando Tesseract + LLM) quanto em resumos/keywords. Resultados podem conter alucinações, omissões ou vieses; valide sempre no texto original antes de uso acadêmico/editorial.

Warning

O corpus é massivo (~1B tokens). Evite rodar jobs em todo teste/ sem filtros; use --first/--last (OCR) e --pattern/--limit (keywords) para não gerar custo excessivo ou travamentos.

Este repositório contém o corpus, as pipelines de processamento e o site estático da BibliothecaPatristica. Escolha o idioma da documentação: This repository contains the corpus, processing pipelines, and static BibliothecaPatristica website. Choose the documentation language:

Notas rápidas

  • A maior parte dos prompts, resumos e keywords foi escrita originalmente em PT-BR; não há versão em inglês para estes no momento.
  • Os textos de OCR já estão versionados em teste/ (páginas P*/text/*).
  • A limpeza/melhoria do OCR segue em progresso; PDFs/imagens originais não são versionados.

Quick notes

  • Most prompts, summaries, and keywords were originally written in PT-BR; the English version is a reference translation.
  • The OCR texts are already versioned in teste/ (pages P*/text/*).