Umožnit zpracování ALTO, které v TextLine nemá atribut BASELINE

[kerschfilip]

Vypadá to, že při parsování ALTO XML se očekává, že každá TextLine bude mít atribut BASELINE - když se nenajde, tak program spadne. Bohužel baseline není podle standardu NDK povinný atribut a často v datech vyrobených např. přes Abbyy chybí (příklad).

[ikiss-fit]

Opravil jsem načítání ALTO XML tak, že nyní nepotřebuje atribut BASELINE. Je to opravené jak ve zpracovávací aplikaci, tak i na API.

Z jedné dávky, kterou někdo u nás zkoušel zpracovávat, jsem si vytáhl ALTO XML a upravil jsem implementaci tak, aby bylo možné zpracovat všechna tato data (těch problémů bylo více, než jen BASELINE). Je možné, že bychom dostali nějakou co nejrozmanitější ukázkovou sadu obrázků s ALTO XML, abychom viděli možnosti, co všechno v nich můžeme (ne)očekávat?

Také jsem zjistil, že velikosti obrázků neodpovídají rozměrům zapsaným v ALTO XML - všechny stránky byly normalizované na 1500 pixelů na šířku. Je to tak, že to tam takto posíláte záměrně? Nám pak totiž nesedí všechny souřadnice, které jsou v ALTO XML zapsané, takže, aby vše fungovalo, zvětšíme/změnšíme obrázek na hodnoty uvedené v ALTO XML. Z naší strany je však otázkou, jestli se k tomu obrázku máme takto chovat. Poslední věc, které jsem si všiml, je, že jsou přehozené šířka a výška stránky v ALTO XML, což v kombinaci s předchozím problémem vede na to, že se obrázek zdeformuje. Toto bychom asi mohli vyřešit pomocí zachování poměru stran (resp. detekovat, že ty rozměry jsou přehozené), ale už možná až moc přemýšlíme za uživatele.