Post on 01-May-2015
Lezione 3 Codifica di alto livello: dalla selezione degli elementi da marcare ad XML
Definizione della struttura di un documento: superare il livello 0
Il testo codificato al livello zero si presentacome un manoscritto in scriptio continua
Formato grafico e codifica L’uso del formato grafico per rappresentare
una codifica di alto livello è insufficiente Non sufficientemente esplicito (cosa “significa”
un corsivo ?) Difficilmente combinabile
(corsivo+grassetto+apice+… = illegibilità) Non applicabile a certi elementi (p.es. fine
pagina) o legato a determinate realizzazioni del testo (video a colori, stampa,…)
Esteticamente debole
Perché codificare? dato vs informazione
La codifica di alto livello trasforma il dato testuale grezzo in fonte esplicita di informazione
(definizioni da un vocabolario della lingua italiana)
informazione: notizia, dato o elemento che consente di avere conoscenza più o meno esatta di fatti, situazioni, modi di essere.
dato: ciò che è immediatamente presente alla conoscenza, prima di ogni elaborazione; (in informatica) elementi di informazione costituiti da simboli che debbono essere elaborati
Un’informazione è un dato strutturato... un esempio:
56100 su un foglio di carta è un dato e non significa molto
ma se il foglio di carta viene fornito in risposta alla domanda “qual è il cap di Pisa?” oppure “qual è il numero del conto bancario del sig. X?”, allora il dato può essere interpretato come fonte di informazione
Perché “dati strutturati“ ? le informazioni sono più volatili, i dati più
stabili I dati costituiscono una risorsa strategica, perché
più stabili nel tempo di altre componenti (processi, tecnologie, ruoli umani):
ad esempio, i dati delle banche o delle anagrafi la storia della scienza è caratterizzata dal
continuo cambiamento di informazioni relative a dati relativamente stabili
Perché codificare?I motivi della codifica di alto livello Un testo come flusso di caratteri e parole è una fonte
di dati linguistici Il testo è un’entità altamente strutturata, nella quale i
dati linguistici sono correlati secondo piani di organizzazione multipli struttura del testo
l’ articolazione in sezioni, capitoli, titoli, ecc. struttura del contesto
l’autore, la data di produzione, la finalità del testo, ecc. struttura linguistica (implicita nel testo!!)
Lingua del testo, differenza testo/citazione … informazioni morfologiche, sintattiche, semantiche Strutture retoriche, argomentative, …
Come codificare?
la codifica esplicita di informazione su un testo viene detta annotazione (o “markup”) del testo.
Quali passi seguire per effettuare una annotazione? Individuare il livello di informazione da codificare
strutturale, linguistica, ecc. Definire il repertorio dei tratti giudicati rilevanti per la
codifica Scegliere un formato per associare la annotazione al
testo
Scelta delle informazioni da annotare: un esempio
La codifica morfo-sintattica oggetto: codificare esplicitamente la categoria grammaticale e le proprietà morfologiche delle parole di un testo.
Da definire: quali attributi codificare (cat. grammaticale, persona,
genere, numero, caso, ecc.) quali attributi sono compatibili (p.es. non ha senso
marcare “Caso” su un elemento marcato “avverbio”) quali valori possono avere i diversi attributi (numero =
SING, PLUR; caso = NOM, GEN, ecc.) Cosa fare con elementi ambigui (per es. come codificare
“che” in “Che roba!”, “dico che piove”?) e come specificare eventuali valori disgiuntivi (“X è CONG oppure PRON”)
Quali criteri di applicazione al testo delle categorie selezionate: attribuire la codifica a tutto il testo, o a una parte? Fino a che livello di dettaglio?
Esempio: categorie morfologiche per l’italiano (Rank Xerox Research Centre)
TAG | DESCRIPTION | EXAMPLE---------------- +--------------------------------------- +---------------------NSG | singular noun | casa, balsamoNPL | plural noun | case, ventottesimiPROP | proper name | Bernardo, Monte Isola---------------- +--------------------------------------- +---------------------ADJSG | singular adjective | buono, narcisisticoADJPL | plural adjective | belle, trecentocinquesimi---------------- +--------------------------------------- +---------------------VAUXINF | infinitive auxiliary "essere"/"avere" | esser, essere, aver, avereVAUXF | finite auxiliary "essere" or "avere" | è, sarò, saranno, avreteVAUXGER | gerund auxiliary "essere" or "avere" | essendo, avendoVAUXGER_CLIT | gerund auxiliary + clitic | essendogliVAUXIMP | imperative auxiliary | sii, sia, abbi, abbiamoVAUXIMP_CLIT | imperative auxiliary + clitic | siategliene, abbiatemiVAUXPPSG | singular past participle auxiliary | stato/a, avuto/aVAUXPPPL | plural past participle auxiliary | stati/e, avuti/eVAUXPPSG_CLIT | sg. past part. auxiliary + clitic | statone, avutavelaVAUXPPPL_CLIT | pl. past part. auxiliary + clitic | statine, avutitiVAUXPRPARTSG | singular present participle auxiliary | essente, aventeVAUXPRPARTPL | plural present participle auxiliary | essenti, aventi---------------- +--------------------------------------- +---------------------VINF | verb infinitive | sciupare, trascinarVINF_CLIT | verb infinitive + clitic | spulciarsi, risucchiarsiVF | finite verb form | blatereremo, rantoloVF_CLIT | finite verb + clitic | trattansi, leggevansi… | … | …
Come associare testo e codifica?
Dovendo associare altre informazioni al testo, alcuni requisiti generali:
1. Mantenere una chiara divisione tra il testo e la annotazione relativa (informazione vs. metainformazione); Esempio negativo:“Come Cong. andò V_intr che Cong. Maestro N … “
2. Permettere di scorporare testo e annotazione;3. Avere annotazioni ragionevolmente autoesplicative;4. Non consumare troppo spazio;5. Permettere all’utente facili aggiunte/modifiche6. Permettere l’uso del testo annotato su una varietà di
sistemi informatici (tramite “formati aperti”)7. Limitare la obsolescenza (del formato dati e del
supporto di registrazione)
Come associare testo e codifica?Alcune opzioni:
Usare un formato solo testo (plain text o txt): ogni carattere è stampabile (tabelle ASCII, ISO-8859, UNICODE) Vantaggi
formato “aperto”, indipendente dal sistema operativo e dal programma che lo ha creato
massima portabilità e interscambiabilità dei testi (modificabili con normali editori di testo: notepad, scite, emacs…)
Svantaggi Se l’annotazione è trasparente, tende a occupare
molto spazio. Possibile confondere testo e annotazione
(metatesto)
Come associare testo e codifica?i linguaggi di marcatura
Codifica di alto livello con linguaggi di markup (linguaggi di marcatura) dal punto di vista del formato digitale un testo codificato
con un linguaggio di marcatura è in formato solo testo buona interoperabilità Scarsa obsolescenza (specie se associato ad uno
standard e non semplicemente ad un software) l’informazione strutturale è rappresentata attraverso
l’aggiunta al testo di etichette (o tag) di marcatura, chiaramente identificabili Buona distinzione testo/metatesto Non un buon modo per risparmiare spazio
(ma esiste sempre la possibilità di comprimere il file; non un problema di conservazione con gli hardware attuali; problema, in caso, di trasmissione via rete)
Un passo indietro: due tipi di marcatura del testo
Marcatura procedurale (detta anche marcatura tipografica) che consiste in una serie di istruzioni operative che forniscono le specifiche di formattazione e impaginazione del testo per la visualizzazione e la stampa (vedremo in seguito LaTeX)
Marcatura dichiarativa (detta anche marcatura logica o descrittiva) dove i codici di marcatura indicano la funzione assolta dal blocco di testo a cui si riferiscono, ad esempio titolo, paragrafo, nota, citazione ecc. senza fornire indicazione di come tali elementi del testo dovranno apparire fisicamente sulla pagina o sul video (es. SGML, XML)
Marcatura procedurale basata sull’aspetto
ad ogni elemento del documento viene associata la procedura per visualizzarlo in maniera voluta: font, dimensione, corsivi, grassetti, margini, interlinea, ecc.
dipendente dal sistema ogni sistema di visualizzazione impone le proprie regole e la
propria sintassi associata agli elementi individuali
ogni elemento ha le proprie procedure per la visualizzazione, che possono anche essere tutte diverse anche per elementi dello stesso tipo.
non contestuale le regole di visualizzazione non dipendono dal contesto in cui
vengono fatte, ma ognuna fa specie a sé non è possibile porre vincoli sulla "correttezza" di un documento.
Marcatura dichiarativa basata sul ruolo
di ogni elemento viene descritto il ruolo all’interno del testo, più che le regole per la sua visualizzazione
indipendente dal sistema poiché il markup descrittivo assegna ruoli (e non regole di
visualizzazione) agli elementi del testo, questi sono intrinseci agli elementi stessi, e non alle funzionalità disponibili nel sistema di visualizzazione
contestuale con il markup descrittivo è possibile definire delle regole
che permettano o impediscano l’assegnazione di un ruolo ad un elemento del testo a seconda del contesto
è possibile specificare regole di correttezza sui documenti, ad esempio che ad un'immagine segua necessariamente una didascalia, ecc.
Marcatura dichiarativa: vantaggi
facilità nella creazione: l’autore si concentra sul ruolo organizzativo delle singole parti di testo, piuttosto che sul loro aspetto stampato
indipendenza dalla formattazione: riformattare un documento secondo nuove regole richiede semplicemente di ricodificare dei parametri esterni, non di modificare in alcuna maniera il testo codificato
flessibilità: riusare un testo codificato in un nuovo contesto è facile, perché non è necessario rimuovere la vecchia informazione per far posto alla nuova
visioni di documenti dinamicamente riconfigurabili: è possibile selezionare viste diverse dello stesso documento
L’XML (eXtensible Markup Language) è un nuovo linguaggio di markup sviluppato dallo XML
Working Group del W3C a partire dal 1996
XML è uno dei più importanti sviluppi nella storia della computazione. Negli ultimi anni è stato adottato in campi molto diversi tra loro: legge, aeronautica, finanza, sicurezza, robotica, turismo, arte, design del software, fisica, letteratura, …
XML è nato dallo sforzo di dare forza e struttura all’SGML (“Standard Generalized Markup Language”, ISO standard: ISO 8879:1986) nel web, in una forma che fosse però abbastanza semplice per gli utenti non esperti.
XML XML nasce dalla lunga storia dei sistemi di elaborazione di
testi allo scopo di permettere l’elaborazione delle informazioni piuttosto che la loro visualizzazione
in un documento XML, quindi, non e’ necessario fare alcun riferimento al modo in cui le informazioni verranno visualizzate: le regole per la visualizzazione saranno inserite in un foglio esterno chiamato foglio di stile
XML permette all’utente di definire il proprio insieme di tag (elementi) e in questo senso può essere considerato un meta-markup language: i tag definiti dall’utente possono avere dei nomi che rispecchiano il contenuto del documento stesso
Struttura logica generale dei tag XML (HTML/SGML) <marcatore>testo a cui si riferisce</marcatore> <marcatore attributo=“valore”>testo a cui si
riferisce</marcatore> <marcatore_aperto_e_chiuso/>
Oltre al termine “marcatore” si usa “etichetta” o l’inglese “tag”; il termine tecnico è “elemento”
A differenza che in SGML ed in HTML, in XML ogni marcatore aperto deve essere chiuso (XML è più restrittivo di SGML)
Markup XML per codifica strutturale
<libro><titolo>Le avventure di Pinocchio<sottotitolo>Storia di un burattino</sottotitolo></titolo><autore>Carlo Collodi</autore><parte p_id=”1”><titolo>Parte prima</titolo><capitolo c_id=”I”><titolo> Come andò che maestro Ciliegia, falegname, trovò un pezzo di legno, che piangeva e rideva come un bambino.</titolo><capoverso num=”p1c1c1”>C'era una volta...</capoverso><capoverso num=”p1c1c2”>- Un re! - diranno subito i miei piccoli lettori.</capoverso><capoverso num=”p1c1c3”>No, ragazzi, avete sbagliato. C'era una volta un pezzo di legno.</capoverso><capoverso num=”p1c1c4”>Non era un legno di lusso, ma un semplice pezzo da catasta, di quelli che d'inverno si mettono nelle stufe e nei caminetti per accendere il fuoco e per riscaldare le stanze.</capoverso> </capitolo></parte></libro>
Markup doppio
<libro>…<parte><capitolo c_id=”I”><titolo>Come <parola cat=“V” tempo=“passRem”>andò</parola> che <parola cat=“N” genere=“m” num=“s”>maestro</parola> Ciliegia, falegname, trovò <sintagma tipo=”nominale”><parola cat=“artInd” genere=m” num=“s”>un</parola> pezzo di legno</sintagma>, che piangeva e rideva come un bambino.</titolo>…</capitolo></parte></libro>
markup per la codifica di informazione strutturale +
markup (parziale) per la codifica di informazione linguistica
Problema: Markup incrociato
Con la presenza di markup multiplo si pone il problema delle etichette incrociate
<pagina pag_n=“1”>…Non era un legno di lusso, ma un semplice pezzo da catasta, di quelli <frase-rel>che d'inverno si mettono nelle stufe</pagina><pagina pag_n=“2> e nei caminetti per accendere il fuoco e per riscaldare le stanze.</frase-rel>
<grassetto>AAA<corsivo>BBB</grassetto>CCC…</corsivo>
La sintassi dell’ XML non permette questi incroci!!!(e neanche quella dell’ HTML, anche se i browser sono a questo proposito molto accomodanti)
Principali differenze fra HTML e XML
XML non è un sostituto del HTML: XML e HTML sono stati pensati per scopi diversi. XML è pensato per descrivere dati e porre
l'attenzione su cosa sono (marcatura dichiarativa) HTML è pensato per visualizzare dati e porre
l'attenzione su come presentarli (marcatura mista procedurale/dichiarativa)
Tuttavia, è possibile tradurre tutto l’HTML in XML: il risultato si chiama XHTML
HTML + Browser: sistema di visualizzazione di dati; XML + Processore XML + Applicazione = formato dati
generale
SGML
XMLXHTMLHTML
Le parti di un progetto XMLUn documento in XML è in realtà la combinazione di tre
parti. Ci riferiamo ad esse come tre documenti separati; spesso, ma non necessariamente, sono anche file separati in maniera fisica.
1. Un documento dei contenuti cioé la parte che l’autore vuole esporre a chi la visualizza o utilizza;
2. Un documento DTD (Document Type Definition) che specifica i macatori usati e la loro sintassi;
3. Uno stylesheet (foglio di stile) che stabilisce come verrà visualizzato e presentato il contenuto.
La DTD è opzionale e spesso viene caricata direttamente dal web tramite una chiamata all’interno del documento dei contenuti (meccanismo dei “Namespace”)
Il foglio di stile è opzionale, e superfluo se il contenuto non deve essere visualizzato in modo particolare.
XML Un documento XML è costituito da
composizioni di stringhe, ovvero sequenze di caratteri UNICODE.
Caratteristica di XML è quella di essere CASE SENSITIVE, ovvero di fare differenza tra lettere maiuscole e minuscole. Pertanto il tag "Pino" è diverso dai tag "pino", "pIno", "PINO", ecc.
Parti di un documento XML Un documento XML si compone di due parti
principali:
il "PROLOG“ contiene: dichiarazione della versione di XML; commenti (facoltativi); dichiarazione del DOCUMENT TYPE.
il "DOCUMENT INSTANCE“ contiene i dati veri e propri.
Esempio di Prolog un documento XML dovrebbe iniziare con
<?xml version="1.0" encoding="…" standalone="yes" ?>
se non si specifica il valore dell’attributo encoding la codifica è quella UNICODE
standalone può assumere valori "yes" o "no" (il cui significato sarà chiaro in seguito)
<?xml version="1.0"?> <!-- Documento di prova --!> <!DOCTYPE MEMO SYSTEM "memo.dtd">
nome del documentofile con la descrizione della struttura
Esempio di Document Instance Un documento XML è un documento di testo ed è formato
da tag che una volta aperti devono SEMPRE essere chiusi
<memo> <da> <nome>Ugo</nome>
<email>ugo@megaditta.it</email></da><a> <nome>Pina</nome>
<email>Pina@casamia.it</email> </a><oggetto>San Valentino</oggetto> <testo><paragrafo>Pina.... ti amo moltissimo!
Tuo Ugo.</paragrafo>
</testo> </memo>
<?xml version="1.0" standalone="no" ?><memo>
<from><name>Rossi</name><email>rossi@tin.it</email>
</from><to>
<name>Verdi</name><email>verdi@tiscalinet.it</email>
</to><oggetto>Esempio in XML</oggetto><body>
<paragrafo>bla bla</paragrafo><paragrafo>bla bla</paragrafo>
</body></memo>
N.B. L’uso del rientro variabile (“indentation”) non è parte dellasintassi XML, ma un modo per aiutare gli esseri umani nella identificazione della struttura. Idem per l’uso dei colori, di grassetto, font, ecc.
Un documento XML definisce una struttura ad albero che si ottiene
esaminando le relazioni di annidamento che esistono tra i tag Deve esistere un solo tag che non sia all’interno di nessun altro.
Questo tag definisce la radice dell’albero (“root”) (nellì’esempio, “memo”).
XML - struttura ad albero
verdi@tiscalinet.it
memo from
to
body
oggetto
name
name
paragrafo
paragrafo
Rossi
rossi@tin.it
Verdi
esempio in XML
bla bla
bla bla
Root (“radice”) e componenti Ogni documento XML ben formato (“well-
formed”) ha un solo elemento radice/root Gli elementi non ROOT sono chiamati
COMPONENTI del documento.