Digitalisierte Zeitungen und OCR: Welche Forschungszugänge erlauben die digitalen Bestände?

Ein eher einfacher Fall der OCR-Bearbeitung © ceslava.com

Wer die Geschichte der Zeitung erforschen will ist darauf angewiesen, sich mit Originalen auseinanderzusetzen. Ein bekanntes Problem ist, dass Zeitungsbestände geografisch weit verteilt sind. Eine Sonderstellung haben hier Frankreich mit der Bibliothèque nationale de France und Großbritannien mit der British Library und der Außenstelle Colindale Newspaper Library. Beiden Bibliotheken stehen für eine lange Geschichte der zentralisierten Zeitungssammlung. Forscher finden hier an zentralem Ort und in kürzester Zeit das, was sie für ihre Arbeit brauchen.

Die Digitalisierung hat in den vergangenen Jahren immer stärker Einfluss auf das Entstehen der Forschung gewonnen. Computergestützt lassen sich große Korpora in kurzer Zeit auswerten. Die zentrale Verfügbarkeit über das Netz macht Bibliotheks- und Archivreisen überflüssig. Das werden besonders Forscher, die mit weit verstreut überliefertem Material arbeiten, zu schätzen wissen. Wurden zunächst hauptsächlich historische Buchbestände digitalisiert, geraten mehr und mehr auch Zeitungen, periodische Drucke und die Flugpublizistik unter den Scanner. Für eine Promotion, die sich mit Zeitungen des 17. Jahrhunderts in Deutschland, England, den Niederlanden und Frankreich beschäftigt, sind Digitalisate eine große Bereicherung.

Welche Datenbanken kann man überhaupt auf der Suche nach digitalisierten Zeitungen anzapfen? In meiner Recherche hat sich herausgestellt, dass vor allem britische Archive und Bibliotheken führend sind, was das Digitalisieren von Zeitungen anbelangt. Bob Nicholson nennt in seinem Aufsatz die Zahl von rund 8.000 Zeitungsseiten, die in Großbritannien jeden Tag digitalisiert werden. Schaut man die Datenbanken der wichtigsten Bibliotheken durch bekommt man den Eindruck, dass in der Hauptsache viktorianische Zeitungen des 18. und 19. Jahrhunderts digitalisiert wurden und noch werden. Ein guter Startpunkt ist das British Newspaper Archive. Komfortabel ist die Suche: nicht alleine ein Suchschlitz ermöglicht den Einstieg in den Datenbestand. Bereits auf der Startseite sind die digitalisierten Zeitungen über ein Drop-Down Menü einfach zugänglich. Bei allen Datenbanken ist eine Stichwortsuche möglich. So wird Nutzen aus den per OCR aufgearbeiteten Dateien gezogen. Wichtiger Unterschied des British Newspaper Archive ist: es handelt sich um ein kommerzielles Unternehmen. Die Suche und das Browsen durch die Zeitungsbestände ist kostenlos, eine Paywall wird allerdings dort hochgefahren, wenn es an die Inhalte geht.
Neben diesem kommerziellen Angebot existieren auch digitale Bestände der wichtigen Tages- und Wochenzeitungen des Landes, beispielsweise der Times.

Frühe Zeitschriftendrucke sind aus den Beständen der Oxford Boldeian Library digitalisiert worden. Im Internet Library of Early Journals Projekt wurden die meisten Zeitschriften von Microfichebeständen ausgehend digitalisiert und mit einer OCR-Software bearbeitet. Sie sind nun kostenfrei im Internet einsehbar.

In Deutschland werden immer mehr Zeitungen vom Zentralen Verzeichnis digitalisierter Drucke erfasst. Hier ist viel Material vor allem aus der ersten Hälfte des 20. Jahrhunderts zu finden. In der Vergangenheit tauchten hier mit großer Regelmäßigkeiten auch wissenschaftliche Journals des 19. Jahrhunderts auf.
Als wichtige Quelle hat sich auch das rheinland-pfälzische Digitalisierungsportal dilibri erwiesen. Hier finden sich rheinland-pfälzische Zeitungen aus dem 19. Jahrhundert digitalisiert. Meist sind die Jahrgänge komplett, leider nicht OCR-bearbeitet, was die Suche nach den Beiträgen erschwert.

Auffallend ist, dass gerade in Deutschland viele der digitalisierten Zeitungen nur über die Titel zu erschließen sind, die in den Metadaten eingetragen sind. Lädt man die Digitalisate herunter fällt auf, dass keinerlei OCR-Bearbeitung der Seiten stattgefunden hat, die PDFs somit als Image, und nicht als Text-Dateien gespeichert wurden. Dies hat eine Reihe an Nachteilen.

Digitalisierte Zeitungen, schön und gut, möchte man meinen. Nicholson ist in seinem jüngsten Artikel der Frage nachgegangen, wie sie die Forschung beeinflussen und kommt zu dem Schluss, dass serielle (historische) Analysen gut mit dem Hilfsmittel digitalisierter Zeitungsbestände durchgeführt werden können. Grund dafür ist der Zugang: Während man die Inhalte gedruckter Zeitungen nur Top-Down erschließen kann, lassen sich in OCR-bearbeiten Dateien grundsätzlich andere Suchoptionen durchführen. Inhaltsanalytisch ist die Stichwortsuche hier sicherlich der am meisten genutzte Zugang. Über eine Reihe an definierten Stichworten lassen sich beispielsweise in einer Längsschnittanalyse die Bewertung bzw. die mediale Darstellung einzelner Prozesse genau untersuchen. Nicholson spricht deswegen von einem Bottom-Up Zugang, da der Forscher auf der Mikroebene des Texts einsteigen kann und keine vorgeschalteten Selektionsprozesse (Titel der Zeitung ˃ Inhaltsübersicht/Rubrik ˃ Überschrift ˃ Text) die Auswahl des Untersuchungsgegenstands beeinträchtigen.
Die OCR-Aufbereitung ist noch immer schwierig und vor allem zeitraubend, auch wenn in den letzten Jahren Verbesserungen erzielt werden konnten. Vor allem deutsche Zeitungen des 17. Jahrhunderts, die in Fraktur gedruckt wurden und meist in kurzer Zeit und damit mit wenig handwerklichem Aufwand produziert sind, stellen für die meisten OCR-Programme noch Schwierigkeiten dar.
Und trotzdem: fehlt OCR, geht in komplett neuer Zugang zu den Quellen verloren. Forscher sind dann darauf angewiesen, den Zugang zum Text über den althergebrachten Weg zu finden. In der Konsequenz bedeutet dies, dass beispielsweise sehr große Korpora nur in einer Auswahl untersucht werden können. Die Einschränkung hat zur Folge, dass von dem neuen, von Nicholson skizzierten Bottom-Up Zugang zum Text, nicht mehr viel übrig bleibt.

Die Diskussion um die Eigenschaften digitaler Dateien wird auch von Karsten Schuldt im LIBREAS Blog weiter vorangetrieben.

Literatur:

Nicholson, Bob: The digital Turn. Exploring the methodological possibilities of digital newspaper archives. In: Media History 19(2013), S. 59-73.

Bildquelle: flickr CC-BY-SA


5 thoughts on “Digitalisierte Zeitungen und OCR: Welche Forschungszugänge erlauben die digitalen Bestände?”

  1. Die Vernachlässigung der OCR in Deutschland hat einen guten Grund: Deutsch Zeitungen sind bis in die 1930 Jahre in Fraktur gedruckt worden. Eine der ersten Zeitungen, die von diesem Prinzip abwich, war der Völkische Beobachter. Bei Fraktur fällt die OCR ungleich schwieriger aus.

    Die zwei größten Angebote an digitalisierten Zeitungen in deutschsprachigen Raum sind jedoch nicht erwähnt: Das Angebot der ÖNB, Anno; http://anno.onb.ac.at/ (Volltext) sowie Bavarica-Volltexte der BSB : http://www.bayerische-landesbibliothek-online.de/bavarica-volltexte
    Die Bavarica-Volltexte enthalten das Fach “Ephemerides politicae” (Eph.pol.) = Politische Zeitungen, das aber nur durchsucht wird, wenn es in der erweiterten Suche eigens zugewählt wird (es kann auch als einziges Signaturenfach ausgewählt worden). Auch diese Zeitungen liegen als Volltext vor.

    Die BSB hat außerdem das Zeitungsportal Digipress: http://digipress.digitale-sammlungen.de/ Hier liegen zumindest zwei Organe im Volltext vor.

    Dazu tritt dann noch das Projekt Zefys der Staatsbibliothek zu Berlin, ebenfalls mit Volltexten: http://zefys.staatsbibliothek-berlin.de/

    Für eine Fragestellung des 17. Jahrhunderts dürfte die Suche in Eph.pol.-Beständen der Bavarica-Volltexte sicher die größte Ausbeute bieten.

Leave a Reply

Your email address will not be published. Required fields are marked *

You may use these HTML tags and attributes: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong> <embed style="" type="" id="" height="" width="" src="" object=""> <iframe width="" height="" frameborder="" scrolling="" marginheight="" marginwidth="" src=""> <object style="" height="" width="" param="" embed=""> <param name="" value="">