Der Umgang mit digitalen Texten und insbesondere die Recherche innerhalb solcher ist in den vergangenen 20 Jahren Bestandteil unseres Alltags geworden. Suchportale bzw. -funktionen sind der am häufigsten genutze Einstieg ins Internet  bzw. spezifische Internetseiten. Auch auf der Webseite der SLUB Dresden ist das Suchfeld ein äußerst prominentes Element, das den Zugriff auf unsere digitalen Angebote unterstützt.

Damit Suchbegriffe mit einzelnen Dokumenten abgeglichen werden können, müssen diese als digitale Textdaten vorliegen. Das ist bei vielen unserer Inhalte, wie etwa Blogbeiträgen, Veranstaltungshinweisen und Katalogeinträgen unproblematisch, da sie digital entstanden sind (born digital). Anders stellt sich die Situation mit Dokumenten dar, die nicht am Computer erstellt wurden. Um diese in vergleichbarer Weise auswertbar zu machen, müssen sie zunächst digitalisiert werden. Eine solche Digitalisierung kann manuell stattfinden. Das heißt jedes einzelne Wort, das sich auf einer zu erfassenden Seite befindet, wird am Computer abgeschrieben. Dieser Prozess ist jedoch hochgradig aufwendig und für größere Bestände, wie sie in der SLUB vorhanden sind, nicht leistbar. Deshalb bedient man sich weitgehend automatischer Verfahren zur Texterfassung.

Das beginnt bei gedruckten Werken mit einer Erfassung als Bilddatei. Sie werden gescannt oder photographiert. Unser Dresdner Digitalisierungszentrum ist eine deutschlandweit führende Einrichtung in diesem Bereich und verfügt über weitreichende Erfahrung mit historisch wertvollen Beständen. Die so entstandenen Bilddaten sind jedoch nicht ohne weitere Bearbeitung als digitaler Text verwertbar: Z.B. müssen in einem Bild des Wortes „Mut“ die Buchstaben „M“, „u“ und „t“ erkannt werden, wobei natürlich Fehler passieren können, wie das ‚Mutwurst‘-Beispiel im obigen Bild eindrücklich zeigt. Die dafür notwendigen Algorithmen werden unter dem Sammelbegriff Optical Character Recognition (OCR) geführt und lassen sich grob in drei Prozessschritte untergliedern: Zunächst durchläuft die Bilddatei eine Vorverarbeitung, in welcher sie durch z.B. automatische Begradigung, Beschneidung und Verstärkung der Konstraste optimal für die Texterkennung vorbereitet wird. Danach wird zunächst die Struktur der Seite analysiert: Textbereiche werden lokalisiert und in Zeilen aufgetrennt. Aus den einzelnen Zeilen wird dann durch die eigentliche Zeichenerkennung der Volltext extrahiert und in einem speziellen Datenformat, das die Verknüpfung von Bild, Struktur und Text zulässt, gespeichert.

Die so erzeugten Daten werden dann in die digitalen Sammlungen der SLUB eingespielt und lassen sich dort öffentlich und frei verfügbar ansehen, durchsuchen und herunterladen. Gegenwärtig finden Sie in unseren digitalen Kollektionen 101 925 Titel. Bereits jetzt sind davon viele per OCR mit einem durchsuchbaren Volltext versehen. Perspektivisch sollen alle Titel „vervolltextet“ werden. Die Herausforderung liegt dabei vor allem in den speziellen Anforderungen, die historische Dokumente des vorindustriellen Druckes, zum Beispiel durch Materialalterung, ökonomiebedingte Layoutspezifika sowie nicht-standardisierte Orthographie, an die skizzierten Verfahren stellen.