Cómo está hecho

El texto

Es el de la edición crítica de W. M. Lindsay, publicada en Oxford por Clarendon Press en 1911 en dos tomos, la que se cita en todo el mundo [Lindsay 1911]. Lindsay murió en 1937; en España su edición es de dominio público desde 2018. No lo hemos leído por OCR: lo tomamos de la transcripción de Bill Thayer [Thayer], que partió del texto de The Latin Library, lo cotejó con el impreso y le sumó las Corrigenda et Addenda que Lindsay puso al final del tomo II. No traemos el aparato crítico de Lindsay (las notas al pie con las lecturas de los manuscritos).

Trocear

Por reglas que se leen, sin modelos de lenguaje (herramientas/isidoro/texto.py, con tests): cada libro, cada capítulo con su título (De pecoribus et iumentis) y cada sección con su número, tal como los numera Lindsay. La cita de cada trozo es libro.capítulo.sección en números romanos y arábigos (XII.1.3); el libro X, que va por letras, numera sus secciones de seguido (X.143). Lo que Lindsay pone entre corchetes (lo que tiene por añadido de los copistas) va entre corchetes; la cruz (†), donde el texto está estropeado sin remedio; los versos, separados por « / »; el griego, en griego. Las figuras de los libros I, III y IX (126) no se reproducen.

Fiarnos del texto

Con dos testigos (herramientas/isidoro/cotejo.py) y, aparte, el incunable (herramientas/isidoro/incunable.py):

1. El escaneo del impreso de 1911 [El escaneo de 1911]: catorce capítulos repartidos por toda la obra (18.505 palabras), alineados palabra a palabra con el OCR del escaneo: 97,65 % de palabras iguales. Lo distinto, mirado a mano, es casi todo mala lectura del OCR (palabras partidas, «ro» por «10», las notas del pie metidas en el texto) y, en el capítulo V.39, la crónica con sus cifras romanas, que el OCR lee muy mal.
2. The Latin Library [The Latin Library], la transcripción de la que partió Thayer: en las 5.235 secciones que están en las dos, 98,6 % de palabras iguales (2.301 distintas de 164.912). Las diferencias son, sobre todo, erratas de The Latin Library («onmis», «ccrvum», que Thayer corrigió), cifras romanas y las Corrigenda de Lindsay que Thayer metió en el texto.
3. Las tres a la vez, en todo el texto: donde Thayer lee una palabra y el escaneo otra, y The Latin Library lee lo del escaneo, la lectura de Thayer es sospechosa. Salieron 30; seis son las Corrigenda de Lindsay (II.10.3, III.71.9, III.71.35, V.1.1, IX.2.111, XII.7.18) y una, una enmienda que el propio Thayer explica en una nota (X.94). Cuatro erratas de la transcripción se corrigen con el impreso: volueruut (IX.7.30), odorum ruferat (XVII.7.30), littrae (XIX.18.4) y trahitu (XIX.34.8). Las demás (quotidie frente a cotidie y parecidas) se dejan como las da Thayer: no las hemos mirado una a una en el impreso.
4. El incunable de Venecia, 1483 [Venecia, 1483], leído aparte (E-1554). No es la misma edición: es el texto medieval, con sus abreviaturas y su ortografía, así que no decide qué imprimió Lindsay ni cambia su ortografía. Solo se mira donde coincide palabra a palabra con el escaneo de 1911, en las palabras nuestras que no salen en ningún otro sitio de los veinte libros ni en The Latin Library (69). Dos son erratas de la transcripción y se corrigen: libros, que Thayer copió lbros (VI.12.1), e instringat, que copió astringat (XIX.10.1); las leen así el escaneo, The Latin Library y el incunable. Las Corrigenda de Lindsay (la lista del final del tomo II) no se tocan aunque el incunable lea lo de antes (Salamina).

Buscar

El buscador lee el texto entero en el navegador y compara las palabras sin tildes, con j como i y v como u (así jumenta encuentra iumenta, y vervex, uervex). Un asterisco al final busca por el principio (pecu* da pecus, pecudes, pecuniam…).

Todo es de dominio público; lo nuestro (el troceado, las cuentas, el buscador, estas páginas), CC BY 4.0, Karb and Sil.