source: collections/documented-examples/trunk/wrdpdf-e/etc/collect.cfg@ 19378

creator     [email protected]
public      true

buildtype   mg

plugin  WordPlugin
plugin  RTFPlugin
plugin  PDFPlugin
plugin  PostScriptPlugin
plugin  GreenstoneXMLPlugin
plugin  MetadataXMLPlugin
plugin  ArchivesInfPlugin
plugin  DirectoryPlugin

indexes     document:text

classify    AZList -metadata Title

format DocumentHeading ""
format DocumentButtons ""

format VList "<td valign=\"top\">[link][icon][/link]</td>
<td valign=\"top\">[ex.srclink]{Or}{[ex.thumbicon],[ex.srcicon]}[ex./srclink]</td>
<td valign=\"top\">[highlight]
{Or}{[dc.Title],[exp.Title],[ex.Title],Untitled}
[/highlight]{If}{[ex.Source],<br><i>([ex.Source])</i>}</td>"

format HList "[link][highlight][ex.Title][/highlight][/link]"

format DocumentText "[Text]"

# -- English strings ----------------
collectionmeta  collectionname [l=en] "MSWord and PDF demonstration"

collectionmeta  .document:text [l=en] "documents"

# -- French strings ----------------
collectionmeta  collectionname [l=fr] "Démonstration MSWord et PDF"

collectionmeta  .document:text [l=fr] "documents"

# -- Spanish strings ----------------
collectionmeta  collectionname [l=es] "Demostración en MSWord y PDF"

collectionmeta  .document:text [l=es] "documentos"

# -- Russian strings ----------------
collectionmeta  collectionname [l=ru] "ДеЌПМстрацОя MSWord О PDF"

collectionmeta  .document:text [l=ru] "ДПкуЌеМты"

# -- English text ----------------
collectionmeta  collectionextra [l=en] "This collection demonstrates Greenstone\'s
ability to build collections from documents provided in different formats.
It contains a number of papers written by various members of the NZDL
project in PDF, MSWord, RTF, and Postscript formats.\n
<p>
The documents in this collection have been produced by members of the Department of Computer Science, University of Waikato.
The University of Waikato holds copyright. They may be distributed freely, without any restrictions.

<h3>How the collection works</h3>\n
<p>
This collection\'s <a href=\"_httpcollection_/etc/collect.cfg\"
target=collect.cfg>configuration file</a> contains the four plugins
<i>WordPlugin</i>, <i>RTFPlugin</i>, <i>PDFPlugin</i> and <i>PostScriptPlugin</i> (along with
the standard four, <i>GreenstoneXMLPlugin</i>, <i>MetadataXMLPlugin</i>, <i>ArchivesInfPlugin</i> and <i>DirectoryPlugin</i>). These
four plugins all extract <i>Title</i> and <i>Source</i> (i.e. filename)
metadata. \n

<p>
Greenstone contains third-party software that is used to convert
Word, RTF, PDF and PostScript files into HTML. The Greenstone team does not
maintain these modules, although we do try to include the latest versions
with each
Greenstone release. Bugs arise with unusual Word documents (e.g. from older
Macintosh systems), and sometimes the text is badly extracted. Some PDF files
have no machine-readable text at all, comprising instead a sequence of page
<i>images</i> from which text can only be extracted by optical character recognition
(OCR), which Greenstone does not attempt. If you encounter these problems, you
can either remove the offending documents from your collection, or try using
some of the advanced plugin options to process the documents in different ways.
For more information, see the Enhanced PDf and Word tutorials on the
<a href=\'http://wiki.greenstone.org/wiki/index.php/Tutorial_exercises\'>Greenstone wiki</a>.

<p>
The <a href=\"_httpcollection_/etc/collect.cfg\" target=collect.cfg>configuration
file</a> includes a single index, based on document text, and one classifier,
an <i>AZList</i> based on <i>Title</i> metadata, shown
<a href=\"_gwcgi_?l=_cgiargl_&c=_cgiargc_&a=d&cl=CL1\">here</a> (the alphabetic
selector is suppressed automatically because the collection contains only a few
documents). However, no format statement is specified. In the absence of
explicit information, Greenstone supplies sensible defaults. In this case, the
default format for the classifier gives:\n

<ul>
<li>
an icon for the HTML version of the document (the text that is actually indexed,
essentially the same as the Greenstone Archive format);\n
<li>
an icon for the original version of the document (clicking it opens the
document in its original form);\n
<li>
<i>Title</i> metadata, extracted from the document;\n
<li>
<i>Source</i> (i.e. filename) metadata, extracted from the document.\n
</ul>

<p>
Here is a format statement that achieves exactly the same effect explicitly. It
applies to all <i>Vlists</i>, and so controls both search results list and the
alphabetic title browser.\n

<pre>
format VList \"
&lt;td&gt;[link][icon][/link]&lt;\/td&gt;\n
&lt;td&gt;[srclink][srcicon][/srclink]&lt;\/td&gt;\n
&lt;td&gt;[Title]&lt;br&gt;&lt;i&gt;([Source])&lt;/i&gt;&lt;/td&gt;\"\n
</pre>
"

# -- French text ----------------
collectionmeta  collectionextra [l=fr] "Cette collection d&eacute;montre les capacit&eacute;s de Greenstone pour rassembler des collections &agrave; partir de documents existants en diff&eacute;rents formats. Elle contient plusieurs articles &eacute;crits par diff&eacute;rents membres du projet NZDL en format PDF, MSWord, RTF, et Postscript.
<p>
The documents in this collection have been produced by members of the Department of Computer Science, University of Waikato.
The University of Waikato holds copyright. They may be distributed freely, without any restrictions.

<p>
<h3>Comment marche cette collection ?</h3>

<p>
Le <a href=\"_httpcollection_/etc/collect.cfg\"
target=collect.cfg>fichier de configuration</a> de cette collection contient quatre plugins, <i>WordPlugin</i>, <i>RTFPlugin</i>,
<i>PDFPlugin</i> et <i>PostScriptPlugin</i> (ensemble avec les quatre plugins standards <i>GreenstoneXMLPlugin</i>, <i>MetadataXMLPlugin</i>, <i>ArchivesInfPlugin</i> et <i>DirectoryPlugin</i>).
Tous ces quatre modules extraient les méta-données <i>Titre</i> et <i>Source</i> (c.-a-d. nom de fichier).

<p>
Greenstone contient des logiciels de tierces parties utilisés pour convertir des fichiers Word, RTF, PDF et PostScript en HTML. L\'équipe Greenstone ne maintient pas ces modules bien que nous incluons les derniÚres versions dans chaque édition de Greenstone. Des coquilles apparaissent avec les documents
inhabituels de Word (par exemple à partir de vieux systÚmes Macintosh) et des fois, le texte est mal extrait. Certains fichiers PDF n\'ont pas du tout une forme lisible directement par les machines, mais sont représentés par une séquence de pages d\'<i>images</i> à partir desquelless le texte ne peut être extrait que par une reconnaissance optique de caractÚres (ROC), ce que
Greenstone ne tente pas de faire. _text1_

<p>
Le <a href=\"_httpcollection_/etc/collect.cfg\" target=collect.cfg>fichier de configuration</a> comprend un index unique, basé sur un texte de document
et un classificateur, un <i>AZList</i> basée sur la méta-donnée <i>Titre</i>, montrée <a href=\"_gwcgi_?l=_cgiargl_&c=_cgiargc_&a=d&cl=CL1\">ici</a> (le sélecteur
alphabétique est supprimé automatiquement parce que la collection ne contient que peu de documents). Cependant aucune déclaration de format n\'est spécifiée. A l\'absence d\'information explicite, Greenstone fournit des défauts sensés. Dans ce cas le format par défaut pour le classificateur donne ceci :
<ul>
<li>
une icÎne pour la version HTML du document (le texte est en fait indexé en grande partie de la même façon que le format d\'archive Greenstone);
<li>
une icÃŽne pour la version originale du document (en cliquant dessus, on ouvre le document dans sa version originale);
<li>
méta-donnée <i>Titre</i> extraite du document;
<li>
méta-donnée <i>Source</i> (c.-à -d. nom du fichier) extraite du document.
</ul>

<p>
Voici une déclaration de format qui fait exactement la même chose de maniÚre explicite.
Elle s\'applique à tous les <i>VList</i> et contrÎle donc aussi bien les résultats de recherche que la navigation alphabétique par titre.

<pre>
format VList \"
&lt;td&gt;[link][icon][/link]&lt;\/td&gt;\n
&lt;td&gt;[srclink][srcicon][/srclink]&lt;\/td&gt;\n
&lt;td&gt;[Title]&lt;br&gt;&lt;i&gt;([Source])&lt;/i&gt;&lt;/td&gt;\"\n
</pre>
"

# -- Spanish text ----------------
collectionmeta  collectionextra [l=es] "Esta colecci&oacute;n demuestra la capacidad del programa Greenstone para construir colecciones con documentos en diferentes formatos. Contiene art&iacute;culos escritos por varios de los miembros del proyecto NZDL en formato PDF, MSWord, RTF y Postscript.
<p>
The documents in this collection have been produced by members of the Department of Computer Science, University of Waikato.
The University of Waikato holds copyright. They may be distributed freely, without any restrictions.

<h3>Cómo trabaja esta colección</h3>

Este <a href=\"_httpcollection_/etc/collect.cfg\" target=collect.cfg>archivo de configuración de la colección</a> contiene los cuatro plugins <i>WordPlugin, RTFPlugin, PDFPlugin</i> y <i>PostScriptPlugin</i> (junto con los cuatro plugins estándar, <i>GreenstoneXMLPlugin, MetadataXMLPlugin, ArchivesInfPlugin</i> y <i>DirectoryPlugin</i>). Los cuatro plugins extraen los metadatos de <i>Título</i> y <i>Fuente</i> (es decir, nombre del archivo).
<p>

Greenstone contiene un software de otro fabricante que se utiliza para convertir archivos Word, RTF, PDF y PostScript a HTML. El equipo de Greenstone no le da mantenimiento a estos módulos, aunque incluimos las más recientes versiones con cada nueva versión de Greenstone. Los errores lógicos surgen con documentos Word inusuales (p. ej. provenientes de sistemas Macintosh anteriores) y en ocasiones el texto no se extrae adecuadamente. Algunos archivos PDF no contienen textos legibles de ninguna manera, consistiendo en su lugar de una secuencia de <i>imágenes</i> de página de las cuales el texto únicamente se puede extraer por medio del reconocimiento óptico de caracteres (OCR por sus siglas en inglés), que es algo que Greenstone no pretende hacer. Si encuentra estos problemas entonces puede remover el documento dañado de la colección, o tratar de usar alguna de las opciones avanzadas para procesar los documentos de diferentes maneras. Para más información, vea los tutoriales avanzados sobre PDF y Word en la <a href=\'http://wiki.greenstone.org/wiki/index.php/Tutorial_exercises\'>wiki de Greenstone</a>.
<p>

El <a href=\"_httpcollection_/etc/collect.cfg\" target=collect.cfg>archivo de configuración</a> incluye un solo índice basado en el texto de los documentos y un clasificador <i>AZList</i> basado en el metadato de <i>Título</i>, tal como se muestra <a href=\"_gwcgi_?l=_cgiargl_&c=_cgiargc_&a=d&cl=CL1\">aquí</a> (el selector alfabético se suprime automáticamente ya que la colección contiene únicamente unos cuantos documentos). Sin embargo, no se especifica ningún enunciado de formato. En ausencia de información explícita, Greenstone suministra los formatos por omisión. En este caso, el formato por omisión para el clasificador proporciona:
<p>
<ul>
<li> un icono para la versión HTML del documento (el texto que se está indexando, básicamente el mismo que el formato del Archivo Greenstone);


<li> un icono para la versión original del documento (al hacer click en él abre el documento en su forma original);


<li> el metadato de <i>Título</i> extraído del documento;


<li> el metadato de <i>Fuente</i> (es decir, el nombre de archivo) extraído del documento.
</ul>
<p>
He aquí un enunciado de formato que logra exactamente el mismo efecto de manera explícita. Se aplica a todas las <i>Vlists</i> y por lo tanto controla tanto la lista de resultados de la búsqueda como el explorador de títulos por orden alfabético.

<pre>
format VList \"
&lt;td&gt;[link][icon][/link]&lt;\/td&gt;\n
&lt;td&gt;[srclink][srcicon][/srclink]&lt;\/td&gt;\n
&lt;td&gt;[Title]&lt;br&gt;&lt;i&gt;([Source])&lt;/i&gt;&lt;/td&gt;\"\n
</pre>
"

# -- Russian text ----------------
collectionmeta  collectionextra [l=ru] "
Эта кПллекцОя ЎеЌПМстрОрует спПсПбМПсть Greenstone к пПстрПеМОю кПллекцОО Оз ЎПкуЌеМтПв, выпПлМеММых
 в разлОчМых
 фПрЌатах
. ОМа сПЎержОт ЌМПжествП статей, МапОсаММых
 разлОчМыЌО члеМаЌО прПекта NZDL, в фПрЌатах
 PDF, MSWord, RTF О Postscript.
<p>
The documents in this collection have been produced by members of the Department of Computer Science, University of Waikato.
The University of Waikato holds copyright. They may be distributed freely, without any restrictions.


<h3>Как рабПтает кПллекцОя</h3>
<p>

<a href=\"_httpcollection_/etc/collect.cfg\" target=collect.cfg>КПМфОгурацОПММый файл</a> этПй кПллекцОО сПЎержОт четыре плагОМа <i>WordPlugin, RTFPlugin, PDFPlugin</i> О <i>PostScriptPlugin</i> (МаряЎу с четыре стаМЎартМыЌО <i>GreenstoneXMLPlugin, MetadataXMLPlugin, ArchivesInfPlugin</i> О <i>DirectoryPlugin</i>). Все этО четыре плагОМа Озвлекают ЌетаЎаММые Оз <i>НазваМОя</i> (<i>Title</i>) О <i>ИстПчМОка</i> (<i>Source</i>), тП есть ОЌя файла.
<p>

Greenstone сПЎержОт стПрПММее прПграЌЌМПе ПбеспечеМОе, кПтПрПе ОспПльзуется Ўля тПгП, чтПбы кПМвертОрПвать файлы, сПзЎаММые в Word, RTF, PDF О PostScript в HTML. КПЌаМЎа Greenstone Ме ПбслужОвает этО ЌПЎелО, х
Птя Ќы включаеЌ Ох
 саЌые пПслеЎМОе версОО в кажЎый выпуск Greenstone. ОшОбкО вПзМОкают у МеПбычМых
 ЎПкуЌеМтПв Word (МапрОЌер, Пт старых
 сОстеЌ МакОМтПша), О ОМПгЎа текст ужасМП Озвлекается. НекПтПрые PDF файлы Ме сПзЎают МОкакПгП ЌашОММПчОтаеЌПгП текста вППбще, а вЌестП этПгП включают пПслеЎПвательМПсть <i>ОзПбражеМОй</i> страМОцы, Оз кПтПрых
 текст ЌПжет быть ОзвлечеМ тПлькП путеЌ ПптОческПгП распПзМаваМОя (OCR), чтП в Greenstone Ме преЎусЌПтреМП. _text1_
<p>


<a href=\"_httpcollection_/etc/collect.cfg\" target=collect.cfg>КПМфОгурацОПММый файл</a> включает еЎОМствеММый ОМЎекс, ПсМПваММый Ма тексте ЎПкуЌеМта О ПЎОМ классОфОкатПр <i>AZList</i>, ПсМПваММый Ма ЌетаЎаММых
 <i>НазваМОя</i>, пПказаММый <a href=\"_gwcgi_?l=_cgiargl_&c=_cgiargc_&a=d&cl=CL1\">зЎесь</a> (алфавОтМый ПтбПрщОк автПЌатОческО ПтключеМ, пПскПльку кПллекцОя сПЎержОт тПлькП МескПлькП ЎПкуЌеМтПв). ОЎМакП МОкакОх
 ПператПрПв фПрЌата Ме ПпреЎелеМП. ПрО ПтсутствОО явМПй ОМфПрЌацОО Greenstone пПЎЎержОвает пП уЌПлчаМОю МаОбПлее ПщутОЌые. В этПЌ случае пП уЌПлчаМОю ОспПльзуются слеЎующОе фПрЌаты Ўля классОфОкатПра:
<p>


<ul>
<li>
ОзПбражеМОе (ОкПМка) Ўля HTML-версОО ЎПкуЌеМта (текст, кПтПрый фактОческООМЎексОрПваМ, пП существу такПй же, как фПрЌат арх
Ова Greenstone);
<li>
ОзПбражеМОе (ОкПМка) Ўля ПрОгОМальМПй версОО ЎПкуЌеМта (щелкая Ма МеЌ, Пткрывают ЎПкуЌеМт в егП Осх
ПЎМПЌ фПрЌате);
<li>
ЌетаЎаММые <i>НазваМОя</i> (<i>Title</i>), ОзвлечеММые Оз ЎПкуЌеМта;
<li>
ЌетаЎаММые <i>ИстПчМОка</i> (<i>Source</i>), тП есть ОЌя файла, ОзвлечеММПе Оз ЎПкуЌеМта.
</ul>
<p>

ИЌеется ПператПр фПрЌата, кПтПрый ЎПстОгает такПй же саЌый эффект. ОМ Пбращается кП всеЌ <i>Vlists</i> О такОЌ ПбразПЌ Псуществляет кПМтрПль как МаЎ спОскПЌ результатПв пПОска, так О МаЎ алфавОтМыЌ пПказПЌ МазваМОй.

<pre>
format VList \"
&lt;td&gt;[link][icon][/link]&lt;\/td&gt;\n
&lt;td&gt;[srclink][srcicon][/srclink]&lt;\/td&gt;\n
&lt;td&gt;[Title]&lt;br&gt;&lt;i&gt;([Source])&lt;/i&gt;&lt;/td&gt;\"\n
</pre>
"