Mémoire

Statut: en cours

Dernière mise à jour: 18/03/2026

Avancement: Prémices

Objectif

Documenter l’avancement du mémoire, les choix méthodologiques et les jalons de rédaction.

Fait

• téléchargement sous-corpus de presse généraliste (qualité dégueulasse)
• pipeline de scraping pdfs Gallica (revues scientifiques essentiellement) avec 2 voies : une pdf (en cours) et une IIIF (en cours).
• premier script d’ocr avec tesseract et reconstruction colonnes –> nous sommes passés sur pero-ocr après benchmark. JORF actuellement traité.
• corpus scientifique délimité (entièrement disponible sur Gallica)
• mini-mémoire rédigé en LaTeX : latex_memoire avec historio, introduction, pbmtique, etc.

État actuel & Prochaines étapes

• Terminer scraping, structuration et océrisation.
• Délimitation du corpus à finaliser.
• Dépôts actifs: scraping_pdf et transcription.
• Structuration : passer de sous-corpus océrisés à des articles ! LLM ou regex ?

Journal de progression

• 26/02/2026 : création de la page projet et structuration initiale.
• 18/03/2026 : fin pipeline de scraping pdfs avec APIs gallica et selenium. Lancement de scripts en background. Sous-corpus scientifique d’une 50aine de revues d’horizons diverses (agricoles, médicales, industrielles, de biologie, etc.)
• 05/2026 : mini-mémoire torché !

Code source · Code source 2 · Code source 3

Commentaires