Codage des documents structurés

1.2. Normalisation de la gestion des ressources langagières

Figure 1-19 Structure TEI de base de textes courants [BON 00a]

<TEI.2> <teiHeader> <front> <body> <text> <back> <div> <div> <div>

1.2. Normalisation de la gestion des ressources langagières

1.2.1. Codage des documents structurés

1.2.1.1. SGML (Standard Generalized Markup Language)

SGML (norme ISO 8879:1986, cf. Goldfarb [GOL 91]) est un méta-langage de balisage qui

spécifie des règles permettant la définition de systèmes de balises pour le codage de divers types de

document électronique et d’éventuelles informations associées.

Trois concepts fondamentaux permettent de définir un document SGML :

- Éléments : SGML représente les données textuelles avec des éléments de contenu, de types

différents et encapsulés les uns dans les autres. Le modèle de base pour la représentation de

données au format SGML correspond donc à un arbre hiérarchique. Chaque nœud correspond

à un élément SGML, et chaque feuille correspond ainsi à un contenu élémentaire (cf. Figure

1-18 et l’explication qui la suit). En règle générale, les éléments du texte sont encadrés par des

balises ouvrantes et fermantes, du type <balise> … </balise>. Ces balises peuvent

contenir des attributs fournissant une description de l’élément textuel concerné, et qui se

placent sur la balise ouvrante : <balise attribut = "valeur"> … </balise>.

- Types de documents : SGML impose que toute instance de document soit conforme à une

DTD (Document Type Definition) qui lui est systématiquement associée. Cette DTD précise

les balises autorisées et les agencements légaux et hiérarchiques de ces balises. La DTD

fournit également, pour chaque type d’élément, la liste des attributs qu’il est possible

d’utiliser, ainsi que le type de leur valeur, et éventuellement, une liste de valeurs prédéfinies.

Cela assure la consistance du codage de ressources.

- Entités : Il s’agit de chaînes de caractères nommées qui sont lors de l’interprétation du

document remplacées par leur définition, à la manière des macros ou alias en programmation

informatique. Une entité peut remplacer un seul caractère spécial, mais aussi une chaîne

contenant des éléments SGML complexes (à condition que ces éléments soient entièrement

définis dans la chaîne).

L’exemple de la Figure 1-18 expose la structure logique des documents textuels ordinaires pouvant

être représentés en SGML. En effet, un texte se compose de phrases (noeuds s dans l’arbre), groupées

en paragraphes (noeuds p). Ces paragraphes peuvent être groupés en sections, puis à leur tour, les

sections en chapitres, parties, etc. Ces éléments de texte (section, chapitre, partie, etc.) sont classées

dans un même type d’élément récursif : division (noeuds div dans l’arbre).

Le balisage de documents textuels électroniques en SGML permet d’une part de distinguer

l’interprétation des parties de texte et leur format d’impression, et d’autre part d’extraire facilement

des parties de contenu de texte à la demande. Il assure également l’échange et la pérennité de ces

ressources grâce à un codage explicite de l’information, indépendant de tout périphérique ou

application.

En pratique, la norme SGML est souvent critiquée pour sa lourdeur et sa complexité de mise en

œuvre, principalement en raison de l’exigence de définition rigoureuse d’une DTD et de conformité du

document à celle-ci, ainsi qu’à cause du manque de flexibilité de sa syntaxe. La recommandation

XML, conçue originalement pour la distribution de documents structurés sur Internet, est devenue une

solution alternative largement employée.

1.2.1.2. XML (eXtensible Markup Language)

La recommandation XML (Bray et al. [BRA 98]), dérivée du format SGML, a été développée par

un groupe de travail XML formé sous les auspices du W3C en 1996. Il était présidé par Jon Bosak de

Sun Microsystems avec la participation active d'un groupe d'intérêts particuliers XML (connu

précédemment sous le nom de groupe de travail SGML), également sous l'égide du W3C.

Par construction, les documents XML sont des documents SGML conformes. À la différence de

SGML, un document XML peut ne pas contenir de référence à une DTD, d’où se distinguent les

notions de document valide (respectant un schéma ou une DTD donné) et de document bien formé

(respectant la structure d’un document SGML/XML). Il est donc possible, à partir d’un document

primaire d’origine (validé au regard d’une DTD connue), de n’en transmettre qu’une partie qui soit

pertinente pour un traitement donné ou suite à une requête d’un utilisateur. À l’inverse, des documents

ou parties bien formées de documents issus de sources différentes peuvent être re-combinées pour

former un nouveau document (cf. Romary [ROM 00b]).

Les éléments d’un document structuré, représenté par le format SGML/XML, peuvent être

identifiés grâce aux mécanismes de référencement des applications manipulant les documents

SGML/XML. Cette identification se fait soit directement par des identifieurs uniques spécifiés dans un

attribut porté par l’élément cible ; soit de façon relative en utilisant des localisations dans l’arbre

SGML/XML pour pointer vers des éléments spécifiques en utilisant la structure du document (par

exemple le 2

paragraphe du 4

chapitre) – Bonhomme [BON 00a].

Le W3C propose également les recommandations annexes de XML qui permettent l’accès à la

structure des documents XML :

- XPath, XPointers et XLink – mécanismes de localisation et de lien de fragments de document

XML

- XSLT – langage de transformation de feuilles de style XSL, permet d’exprimer des requêtes ou

sélections de contenu des éléments.

La force de XML est de devoir son succès à l’Internet et de disposer ainsi d’une communauté

extrêmement vaste d’utilisateurs travaillant avec des conventions terminologiques communes. De

nombreux développements logiciels accompagnent le déploiement de ce standard. Cela permet au

XML de devenir un format puissant, capable de représenter tout type de ressource.

La possibilité de définir des DTD adaptées à chaque tâche particulière est l’une des principales

sources de puissance et de flexibilité des métalangage SGML et XML. Le revers de cette médaille est

la possibilité de multiplication de DTD incompatibles pour représenter les mêmes types de documents.

Ainsi apparaît la problématique de définir des DTD « normalisées » pour chaque usage, permettant

l’échange et la mise en commun d’informations de sources variées. C’est le travail entrepris par la TEI

(Text Encoding Initiative), dont nous présentons maintenant les travaux.

1.2.1.3. TEI (Text Encoding Initiative)