Datové zdoje

Datové zdroje

Data z jednotlivých zdrojů byla extrahována a poté byly všechny záznamy spojeny do jediného seznamu. Agregace dat probíhala v pořadí tak jak je uvedeno v níže uvedeném přehledu zdrojů dat. Do seznamu byly nejprve přidány obce a částí obcí z RUIAN, a dále k nim byly postupně přidávány nebo párovány další záznamy z jednotlivých zdrojů.

U každého zdroje je uveden počet záznamů které byly zahrnuty do primárního seznamu. Díky slučování záznamů je celkový počet záznamů v databázi nižší. Aktuálně lze vyhledávat v záznamech, a tyto obsahují celkem variant názvů. K záznamům je vedeno celkem původců.

Agregace

Pokud se podařilo napárovat přidávaný záznam na již existující záznam podle klíče [název + okres] potom byly záznamy sloučeny do jednoho. Pokud párování nebylo úspěšné z důvodu, že v jednom okresu existují dvě či více obcí se stejným názvem - potom byl záznam vložen jako Nezařezený. Pokud nebyla nazelena žádná shoda [název + okres] potom byl záznam vložen jako nový. Někteří původci neuvádějí informaci o okresu u jednotlivých obcí které pokrývají. V některých případech se proto může stát, že obec je zařazena chybně k sousednímu okresu. Tento problem lze obejít filtrováním včetně sousedních okresů.

Automatizace

Veškerý sběr dat je plně automatizovaný a do dat nebyly provedeny žádné ruční zásahy či korekce. Mohou se proto u některých záznamů - především u alternativních nazvů - vyskytnout obsahové chyby. Ty jsou způsobeny vetšinou porušením formátování dat přímpo ve zdroji, kde například v závorkách je běžně uváděna alternativa názvu, ale původní autor tam namísto toho zapsal svoji poznámku.

1. RÚIAN - ČÚZK

Slouží jako primární zdroj. Byly použity všechny obce a částí obcí (CSV). Tento zdroj poskytuje také JTSK souřadnice.

2. Moravský zemský archiv

Automatizovaně extrahovány názvy obcí a varianty nazvů pro všechny původce (HTML).

3. SOA Praha

Automatizovaně extrahovány názvy obcí a varianty nazvů pro všechny původce (HTML).

4. SOA Zámrsk

Názvy obcí a variant nazvů získány parsovaním sbírky matrik (PDF).

5. SOA Třeboň

Automatizovaně extrahovány názvy obcí a varianty nazvů pro všechny původce (HTML).

6. Archiv hl.m. Prahy

Názvy obcí a variant nazvů získány parsovaním soupisu církevních matrik (PDF+HTML). Některé záznamy mohou obsahovat zmatečné údaje - nutno dořešit.

7. Zemský archiv v Opavě

Automatizovaně extrahovány názvy obcí a varianty nazvů pro všechny matriky (HTML).

8. SOA Litoměřice

Automatizovaně extrahovány názvy obcí a varianty nazvů pro všechny matriky (HTML).

9. SOA Plzeň

Automatizovaně extrahovány názvy obcí a variant nazvů pro všechny původce (HTML). Některé obce mohou chybět, obsah je na webu místy nekompletní. Vytěženy byly i zaniklé obce v poznámkách k matrikám.

10. Zaniklé obce

Automatizovaně extrahovány všechny záznamy typu obec a případně její varianta názvu (HTML). Některé záznamy obsahují WGS84 souřadnice, tyto byly převedeny na JTSK.

11. Wikipedia

Automatizovaně extrahovány všechny názvy a jejich německý překlad (HTML).

12. Místopisný rejstřík obcí Českého Slezska a severní Moravy

Automatizovaně extrahovány všechny popisy obcí (PDF).

13. Chytilův místopis Republiky Československé (II. vydání, 1929)

OCR kompletního obsahu, do databáze zahrnuty jen ověřené záznamy sídelního typu z Čech a Moravy. Korekce OCR a normalizace názvů byly provedeny jen pro záznamy z Čech a Moravy. Kompletní fulltext místopisu ve formátu CSV (oddělovačem sloupců je středník) je dostupný zde :

• Všechna hesla pro Čechy a Moravu
• Všechna hesla pro Čechy, Moravu, Slovensko a Podkarpatskou Rus