Re: ako ukladať digitalizované dokumenty?

Dokumenty o ktere nechcete prijit je nejlepsi ukladat ve
formatech, na ktere budete mit ctecku i za nekolik
desetileti. Predstavte si, ze dnes najdete nejake dokumenty
v AmiPro, C602, nebo v T602 (a z te ten text nakonec
dostanete) - co s nimi? Leda hledat na netu nejaky
konvertor.

Pokud se chcete chranit pouze proti tomu, ze za 10 az 40 let
nebude jak dokumenty otevrit, muzete asi pouzit jpg, nebo
pdf. V techto formatech je dnes tolik dokumentu, ze by
ctecky nemely zmizet velmi dlouho. Databazi nedoporucuji.
Pouzijte nejaky obycejny a jednoduchy a velmi rozsireny
souborovy system a dejte je do adresaru.

Obrazek zabaleny v pdf a to ulozene v databazi je uzasne
reseni az do okamziku, kdy prohlizec pdf prestane podporovat
30 let starou verzi jpg, protoze tu uz preci nikdo
nepouziva, nebo ulozena data z databaze nedokaze nacist
verze o 15 novejsi.

Disky jsou dneska levne. 4TB poridite za 5000, kdyz koupite
nejlevnejsi WD a nejlevnejsi Seagate a date je do mirroru
(stejne disky ze stejne serie casto odchazi ve stejnou dobu
- na to take nechcete prijit tim tezsim zpusobem).

Takze ja osobne bych scannoval do pnm (nebo do jineho uplne
cisteho bitmapoveho formatu, ktery dokazete popsat z hlavy
za 2 minuty a naimplementovat ctecku v libovolnem
programovacim jazyce za nekolik malo hodin). Vubec bych je
nekomprimoval a idealne bych plytval mistem jeste vic tak,
ze bych si zvolil beznou sirku obrazku (napriklad na celou
sirku scanneru) a v te bych mel co nejvic obrazku a ostatni
v jejich celociselnych nasobcich. Strankovani vyreste ve
jmene souboru, nebo za pomoci adresaru.

Pokud si navic ulozite ta sama data v jpg, pdf, nebo dokonce
v cistem textu (po pruchodu OCR - hodi se pro vyhledavani),
rozhodne to neuskodi. Jen nemazte originaly.

Textove dokumenty ukladejte v textu. V cistem textu. Tak,
aby sly cist, kdyz je otevre vim, less, nebo cat. I kdyby
cele IT preslo z ASCII na EBCDIC, tak nekde najdete, jak
vypadalo ASCII, nebo to odhadnete, pokud si to nepamatujete
z hlavy. Ale to se nestane - neni duvod to menit. V IT se
dnes veci nemeni, ale rozsiruji. Diakritiku si domyslite, at
uz bude kodovana jakkoliv, pokud budete mit ve stejnem
kodovani dostatek textu. UTF-8 vypada, ze tu s nami vydrzi
velmi dlouho, takze ho doporucuji pouzivat na vsechno.

Mozna se ptate proc doporucuji tak primitivni pristup?

Predstavte si, ze najdete 5 1/4" disketu z roku 1990 a na ni
je napsano neco jako "dulezite dokumenty". Sezenete nekoho,
kdo ma nekde v krabici starou disketovou mechaniku, vysajete
z ni vysavacem centimetr prachu, pripojite k prehistorickemu
pocitaci (nebo naimplementujete FDC na arduinu), zkusite to
precist ... a co dal? Data tecou byte za bytem, ale vy
nevite, co s nimi. FAT 32 to neni, FAT 16 to neni, FAT 12
jste v encyklopedii nenasli (nebo to je disketa treba z
Commodora, pripadne se prvni stopu nepodarilo precist
spravne). Na disku mate binarni obraz cehosi.

Pokud v tom je cisty holy ASCII text, tak ho tam najdete
snadno. Mate mozek a ten je na tenhle typ uloh staveny -
staci tim proscrollovat v textovem editoru, nebo to vypsat
na terminal. I pokud to bude rozhazene po cele diskete po
jednotlivych sektorech, tak to pravdeporobne dokazete
poskladat dohromady. Tak, aby navazovala slova, vety,
vyznam, smysl.

Obrazky v bitmapach budou horsi, ale pokud znate sirku, tak
muzete cely dump diskety zarovnat na tu sisrku a zobrazit
jako jeden hodne vysoky obrazek. A ten nechat velmi rychle
scrollovat. Data budou vypadat jako sum, obrazek bude mozna
rozbity, mozna posunuty, mozna se zprehazenymi barvami, ale
vsimnete si ho. A pak dokazete najit, kde zacina, kde konci
a jak patri barvy. Mate mozek, v nem zrakovovu kuru a ta je
v tom fakt dobra. Dalo by se rici, ze je na to stavena.

Cokoliv jineho najdete jen za pouziti nastroju napsanych se
znalosti formatu dat, ktera hledate. Tedy - takovou znalost
potrebujete i tady - z retezce nul a jednicek byste to asi
nevykoukali. Ale jestli je bila 255 a cerna 0, nebo naopak
je jedno, protoze obrazek uvidite v obou pripadech stejne,
jako s prehazenymi barvami. A to, ze A je v ASCII 65 (41
hexa), a je 97 (61 hexa) 0 je 48 (30 hexa) a znaky jdou
pekne za sebou - to si pamatuje dost lidi z hlavy. Kolik
lidi zna z hlavy format komprimovaneho PNG?

To, ze je dobre drzet filesystem s obrazky nefragmentovany
vam asi doslo, ze? Skladat obrazek z kousku vekych 512B,
nebo i 4096B bude na dlouho.

Zobrazit: http://www.abclinuxu.cz/poradna/programovani/show/452282#1