DBNL_Based荷兰数字化图书OCR与校正文本数据集

数据集概述

本数据集包含荷兰DBNL平台数字化的220本图书的OCR相关数据，涵盖原始OCR输出文本、校正后的TEI格式文本及元数据，共3个文件，用于图书数字化文本的存储与处理。

文件详解

• 文件名称：Metadata_DBNL_OCR_v1.xlsx
• 文件格式：XLSX
• 字段映射介绍：包含数据集的元数据信息，具体字段未提供预览
• 文件名称：TXT.zip
• 文件格式：ZIP
• 字段映射介绍：压缩包内为220本图书的原始OCR输出文本文件，格式为.txt
• 文件名称：TEI.zip
• 文件格式：ZIP
• 字段映射介绍：压缩包内为220本图书的校正后文本文件，格式为TEI

数据来源

荷兰DBNL平台（https://dbnl.org/）

适用场景

• 文本OCR质量评估: 对比原始OCR文本与校正TEI文本，分析OCR技术的准确率与误差类型
• 图书数字化文本处理: 用于数字化图书的文本提取、格式转换与结构化处理研究
• 数字人文研究: 为荷兰语图书的数字化文本分析、语料库构建提供数据支持
• 文本校正算法训练: 可作为OCR文本校正模型的训练或测试数据来源