Treatment of text extracted from digital books for search engine indexing

Detalhes bibliográficos
Autor(a) principal: Vaz, Glauber José
Data de Publicação: 2023
Outros Autores: Veiga, Pedro Henrique Rodrigues da Cunha da, Caldas, Rafael Gomes, Vidal, Wyviane Carlos Lima, Assis, Cristiane Pereira de, Correa, Jorge Luiz, Moura, Maria Fernanda
Tipo de documento: Artigo
Idioma: por
Título da fonte: Revista Ibero-americana de Ciência da Informação
Texto Completo: https://periodicos.unb.br/index.php/RICI/article/view/42740
Resumo: This article presents a methodology for treating texts extracted from digital books from Embrapa's 500 Questions 500 Answers Collection to index their content and to allow its access via a search engine. The methodology involves extracting the essential elements of the books, such as images and HTML files; pre-processing them; analyzing and editing them; and building suitable components for their indexing. In addition to a large amount of human analysis, the technologies used are Epub format for digital books, the Sigil editor, scripts for text processing, web representation standards, and Elasticsearch. The results show that this method can provide well-formatted texts for indexing and use in search engines, giving a rich user experience and enabling the construction of new digital solutions. Therefore, such a digital curation is essential for adding value to digital resources and meeting specific user needs.
id UNB-7_016878bc490cac48ba2d1dac2a33333e
oai_identifier_str oai:ojs.pkp.sfu.ca:article/42740
network_acronym_str UNB-7
network_name_str Revista Ibero-americana de Ciência da Informação
repository_id_str
spelling Treatment of text extracted from digital books for search engine indexingTratamiento del texto extraído de los libros digitales para su indexación en los motores de búsquedaTratamento de texto extraído de livros digitais para a indexação em mecanismo de buscaCuradoria digitalRecuperação da informaçãoProcessamento de textoDisseminação da InformaçãoIndexaçãoLivros digitaisCuración digitalRecuperación de la informaciónTratamiento de textosDifusión de la informaciónIndizaciónLibros digitalesDigital curationInformation retrievalText processingDissemination of informationIndexingDigital booksThis article presents a methodology for treating texts extracted from digital books from Embrapa's 500 Questions 500 Answers Collection to index their content and to allow its access via a search engine. The methodology involves extracting the essential elements of the books, such as images and HTML files; pre-processing them; analyzing and editing them; and building suitable components for their indexing. In addition to a large amount of human analysis, the technologies used are Epub format for digital books, the Sigil editor, scripts for text processing, web representation standards, and Elasticsearch. The results show that this method can provide well-formatted texts for indexing and use in search engines, giving a rich user experience and enabling the construction of new digital solutions. Therefore, such a digital curation is essential for adding value to digital resources and meeting specific user needs.Este trabajo presenta una metodología para el tratamiento de los textos extraídos de los libros digitales “500 Preguntas 500 Respuestas” de Embrapa, para que su contenido pueda ser indexado y accedido a través de un motor de búsqueda específico. La metodología presentada implica la extracción de elementos esenciales del libro (como, por ejemplo, imágenes y archivos HTML), el preprocesamiento de estos elementos, su análisis y edición, y por último, la construcción de componentes adecuados para su indexación. Además de un exhaustivo trabajo de análisis humano, se tuvieron en cuenta tecnologías como el formato Epub para libros digitales, el editor Sigil, scripts para el tratamiento de textos, estándares de representación web y Elasticsearch. Los resultados obtenidos muestran que la metodología permite disponer de textos viables para su indexación y su utilización en los motores de búsqueda, proporcionando al usuario una experiencia rica, además de permitir la construcción de nuevas soluciones digitales. En este contexto, la curación digital es fundamental para añadir valor a los recursos digitales y satisfacer las necesidades específicas de los usuarios. Este trabalho apresenta uma metodologia de tratamento dos textos extraídos dos livros digitais da Coleção 500 Perguntas 500 Respostas da Embrapa a fim de que seu conteúdo possa ser indexado e acessado via um mecanismo de busca específico. A metodologia envolve a extração dos elementos essenciais dos livros, como imagens e arquivos HTML, o pré-processamento desses elementos, sua análise e edição, e a construção de componentes adequados para sua indexação. Além de um intenso trabalho de análise humana, são consideradas tecnologias como o formato Epub para livros digitais, o editor Sigil, scripts para processamento de texto, padrões web de representação e Elasticsearch. Experimentos mostram que a metodologia viabiliza a disponibilização de textos bem formatados para sua indexação e seu uso em mecanismos de busca, propiciando uma rica experiência ao usuário, além de possibilitar a construção de novas soluções digitais. Nesse contexto, a curadoria digital é fundamental para agregar valor aos recursos digitais e atender às necessidades específicas de seus usuários. Universidade de Brasília, Faculdade de Ciência da Informação, Programa de Pós-Graduação em Ciência da Informação2023-08-15info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdfhttps://periodicos.unb.br/index.php/RICI/article/view/4274010.26512/rici.v16.n2.2023.42740Revista Ibero-Americana de Ciência da Informação; Vol. 16 No. 2 (2023): Revista Ibero-americana de Ciência da Informação; 311-328Revista Ibero-Americana de Ciência da Informação; Vol. 16 Núm. 2 (2023): Revista Ibero-americana de Ciência da Informação; 311-328Revista Ibero-Americana de Ciência da Informação; v. 16 n. 2 (2023): Revista Ibero-americana de Ciência da Informação; 311-3281983-521310.26512/rici.v16.n2.2023reponame:Revista Ibero-americana de Ciência da Informaçãoinstname:Universidade de Brasília (UnB)instacron:UNBporhttps://periodicos.unb.br/index.php/RICI/article/view/42740/38311Copyright (c) 2023 Glauber José Vaz, Pedro Henrique Rodrigues da Cunha da Veiga, Rafael Gomes Caldas, Wyviane Carlos Lima Vidal, Cristiane Pereira de Assis, Jorge Luiz Correa, Maria Fernanda Mourahttps://creativecommons.org/licenses/by/4.0info:eu-repo/semantics/openAccessVaz, Glauber JoséVeiga, Pedro Henrique Rodrigues da Cunha daCaldas, Rafael GomesVidal, Wyviane Carlos LimaAssis, Cristiane Pereira deCorrea, Jorge LuizMoura, Maria Fernanda2023-08-15T13:30:31Zoai:ojs.pkp.sfu.ca:article/42740Revistahttps://periodicos.unb.br/index.php/RICI/indexPUBhttps://periodicos.unb.br/index.php/RICI/oai||rici@unb.br1983-52131983-5213opendoar:2023-08-15T13:30:31Revista Ibero-americana de Ciência da Informação - Universidade de Brasília (UnB)false
dc.title.none.fl_str_mv Treatment of text extracted from digital books for search engine indexing
Tratamiento del texto extraído de los libros digitales para su indexación en los motores de búsqueda
Tratamento de texto extraído de livros digitais para a indexação em mecanismo de busca
title Treatment of text extracted from digital books for search engine indexing
spellingShingle Treatment of text extracted from digital books for search engine indexing
Vaz, Glauber José
Curadoria digital
Recuperação da informação
Processamento de texto
Disseminação da Informação
Indexação
Livros digitais
Curación digital
Recuperación de la información
Tratamiento de textos
Difusión de la información
Indización
Libros digitales
Digital curation
Information retrieval
Text processing
Dissemination of information
Indexing
Digital books
title_short Treatment of text extracted from digital books for search engine indexing
title_full Treatment of text extracted from digital books for search engine indexing
title_fullStr Treatment of text extracted from digital books for search engine indexing
title_full_unstemmed Treatment of text extracted from digital books for search engine indexing
title_sort Treatment of text extracted from digital books for search engine indexing
author Vaz, Glauber José
author_facet Vaz, Glauber José
Veiga, Pedro Henrique Rodrigues da Cunha da
Caldas, Rafael Gomes
Vidal, Wyviane Carlos Lima
Assis, Cristiane Pereira de
Correa, Jorge Luiz
Moura, Maria Fernanda
author_role author
author2 Veiga, Pedro Henrique Rodrigues da Cunha da
Caldas, Rafael Gomes
Vidal, Wyviane Carlos Lima
Assis, Cristiane Pereira de
Correa, Jorge Luiz
Moura, Maria Fernanda
author2_role author
author
author
author
author
author
dc.contributor.author.fl_str_mv Vaz, Glauber José
Veiga, Pedro Henrique Rodrigues da Cunha da
Caldas, Rafael Gomes
Vidal, Wyviane Carlos Lima
Assis, Cristiane Pereira de
Correa, Jorge Luiz
Moura, Maria Fernanda
dc.subject.por.fl_str_mv Curadoria digital
Recuperação da informação
Processamento de texto
Disseminação da Informação
Indexação
Livros digitais
Curación digital
Recuperación de la información
Tratamiento de textos
Difusión de la información
Indización
Libros digitales
Digital curation
Information retrieval
Text processing
Dissemination of information
Indexing
Digital books
topic Curadoria digital
Recuperação da informação
Processamento de texto
Disseminação da Informação
Indexação
Livros digitais
Curación digital
Recuperación de la información
Tratamiento de textos
Difusión de la información
Indización
Libros digitales
Digital curation
Information retrieval
Text processing
Dissemination of information
Indexing
Digital books
description This article presents a methodology for treating texts extracted from digital books from Embrapa's 500 Questions 500 Answers Collection to index their content and to allow its access via a search engine. The methodology involves extracting the essential elements of the books, such as images and HTML files; pre-processing them; analyzing and editing them; and building suitable components for their indexing. In addition to a large amount of human analysis, the technologies used are Epub format for digital books, the Sigil editor, scripts for text processing, web representation standards, and Elasticsearch. The results show that this method can provide well-formatted texts for indexing and use in search engines, giving a rich user experience and enabling the construction of new digital solutions. Therefore, such a digital curation is essential for adding value to digital resources and meeting specific user needs.
publishDate 2023
dc.date.none.fl_str_mv 2023-08-15
dc.type.driver.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.uri.fl_str_mv https://periodicos.unb.br/index.php/RICI/article/view/42740
10.26512/rici.v16.n2.2023.42740
url https://periodicos.unb.br/index.php/RICI/article/view/42740
identifier_str_mv 10.26512/rici.v16.n2.2023.42740
dc.language.iso.fl_str_mv por
language por
dc.relation.none.fl_str_mv https://periodicos.unb.br/index.php/RICI/article/view/42740/38311
dc.rights.driver.fl_str_mv https://creativecommons.org/licenses/by/4.0
info:eu-repo/semantics/openAccess
rights_invalid_str_mv https://creativecommons.org/licenses/by/4.0
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
dc.publisher.none.fl_str_mv Universidade de Brasília, Faculdade de Ciência da Informação, Programa de Pós-Graduação em Ciência da Informação
publisher.none.fl_str_mv Universidade de Brasília, Faculdade de Ciência da Informação, Programa de Pós-Graduação em Ciência da Informação
dc.source.none.fl_str_mv Revista Ibero-Americana de Ciência da Informação; Vol. 16 No. 2 (2023): Revista Ibero-americana de Ciência da Informação; 311-328
Revista Ibero-Americana de Ciência da Informação; Vol. 16 Núm. 2 (2023): Revista Ibero-americana de Ciência da Informação; 311-328
Revista Ibero-Americana de Ciência da Informação; v. 16 n. 2 (2023): Revista Ibero-americana de Ciência da Informação; 311-328
1983-5213
10.26512/rici.v16.n2.2023
reponame:Revista Ibero-americana de Ciência da Informação
instname:Universidade de Brasília (UnB)
instacron:UNB
instname_str Universidade de Brasília (UnB)
instacron_str UNB
institution UNB
reponame_str Revista Ibero-americana de Ciência da Informação
collection Revista Ibero-americana de Ciência da Informação
repository.name.fl_str_mv Revista Ibero-americana de Ciência da Informação - Universidade de Brasília (UnB)
repository.mail.fl_str_mv ||rici@unb.br
_version_ 1800211000301977600

Registros relacionados