Lenci, Montemagni, Pirrelli Testo e computer – Carocci 2005 Capitolo 2 La codifica digitale del...
-
Upload
manfredo-giglio -
Category
Documents
-
view
218 -
download
0
Transcript of Lenci, Montemagni, Pirrelli Testo e computer – Carocci 2005 Capitolo 2 La codifica digitale del...
Lenci, Montemagni, PirrelliTesto e computer – Carocci 2005
Capitolo 2La codifica digitale del testo
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La codifica digitale del testo
I computer memorizzano ed elaborano dati sotto forma di sequenze di due soli simboli 0 e 1 (cifre binarie)
Ogni tipo di informazione deve essere codificata in cifre binarie codificare informazione = associare a ciascuna unità di
informazione un codice (sequenza di cifre binarie) che la identifica in maniera univoca
I testi per essere elaborati o trasmessi da un programma devono avere una rappresentazione (codifica) binaria
Rappresentazione del testo su supporto digitale in un formato “leggibile” da un computer
Machine Readable Form (MRF)
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La codifica digitale del testo
che tipo di rappresentazione digitale del testo?
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La codifica digitale del testoIl testo e la sua organizzazione
titolo
capitolo
testo
intestazione
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La codifica digitale del testoIl testo e la sua struttura linguistica
frase relativa
tutti = soggetto
sintagma nominale
articolo indefinito femminile singolare
stanza come luogo
V andare
pass. rem. 3 sing.
stanze = oggetto di riscaldare
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La codifica digitale del testo
Le avventure di PinocchioCapitolo ICome andò che Maestro Ciliegia, falegname, trovò un pezzo di legno, che piangeva e rideva come un bambino.C'era una volta...- Un re! - diranno subito i miei piccoli lettori.- No, ragazzi, avete sbagliato. C'era una volta un pezzo di legno.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.Non so come andasse, ma il fatto gli è che un bel giorno questo pezzo di legno capitò nella bottega di un vecchio falegname, il quale aveva nome mastr'Antonio, se non che tutti lo chiamavano maestro Ciliegia, per via della punta del suo naso, che era sempre lustra e paonazza, come una ciliegia matura.
Il testo come sequenza di caratteri
Ciascun carattere alfanumerico, di punteggiatura o di controllo che compone il testo deve essere rappresentato nei termini di un codice binario
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La codifica digitale del testoIl testo come sequenza di caratteri “Surrogato” parziale del testo originario
completa equivalenza solo dal punto di vista dei caratteri che lo compongono
perdita di informazione l’informazione implicitamente veicolata dalla formattazione
del testo relativa a: le coordinate meta-testuali
il nome dell’autore, il titolo, ecc. la struttura e organizzazione testuale
la suddivisione logica in sezioni, capitoli, paragrafi, ecc.
nessun guadagno di informazione l’informazione sulla struttura linguistica rimane implicita e
nascosta (come nel testo originale)
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La codifica digitale del testo Due livelli di codifica del testo digitale
codifica di basso livello (codifica di livello 0) riguarda la rappresentazione binaria della
sequenza ordinata dei caratteri codifica di alto livello
arricchisce il testo codificato al livello zero con informazione relativa a dimensioni strutturali organizzazione del testo in strutture macrotestuali articolazione del testo in strutture linguistiche
La codifica di alto livello permette di rendere esplicita qualsiasi interpretazione, anche di tipo linguistico, si
voglia associare al testo
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La codifica di livello 0
Il testo come sequenza di caratteri
dietro le quinte…
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La codifica di livello 0caratteri e numeri
A carattere
65 codice (decimale) del carattere
0 1 0 0 0 0 0 1 codifica binaria del codice del carattere
I computer elaborano internamente solo sequenze di bits (0,1)
MAESTRO CILIEGIA
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Numeri e numeri
Sistema binario vengono usate due cifre (0 e 1) per rappresentare un numero problema: i numeri binari sono estremamente lunghi e difficili da ricordare
Sistema esadecimale ogni numero è rappresentato con 16 cifre (0-9, A-F) i numeri sono più corti di quelli binari estrema facilità di conversione tra binario ed esadecimale
in una sequenza binaria, ogni stringa di 4 bits corrisponde ad una cifra esadecimale 0110 1111 0110 numero binario (6) (15) (6) 6 F 6 numero esadecimale
numero
X
10
A
1010
rappresentazione di un numero
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Come sono rappresentati i caratteri nel computer?
Repertorio di caratteri un insieme di caratteri (es. “A”, “a”, “!”, “à”, “P”, ecc.) i caratteri sono entità astratte, da non confondersi con il modo in cui
sono realizzati graficamente (gliphs) “a”, “a”, “a”, “a” sono tutti lo stesso carattere “a” la stessa realizzazione grafica può corrispondere a caratteri diversi (es.
“A” latino e “A” cirillico e “A” greco)
Set di carattere (codice) una tabella che definisce una corrispondenza biunivoca (1-a-1) tra un
repertorio di caratteri e un insieme di numeri interi non negativi a ogni carattere è assegnato un codice numerico (punto di codice o code
position)
Codifica di carattere algoritmo che determina come i codici dei caratteri sono
rappresentati in sequenze di bits (bytes)
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Il codice ASCII Primo standard per l’assegnazione di codici a caratteri
(dal 1963) set di caratteri riconosciuto da tutti i computer conosciuto come “ASCII Standard” o ISO-646
Codifica 7 bits
ciascun punto di codice è rappresentato con il numero binario corrispondente di 7 bits
in realtà 1 byte = 8 bits di cui un bit non è usato per la codifica (bit di parità)
7 bits = 27 punti di codice = 128 caratteri rappresentati
Sufficiente per rappresentare l’inglese mancano i caratteri accentati, umlauts, ecc. per rappresentare
altri alfabeti occidentali
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
ASCII Standarddecimale ed esadecimale
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Il set di caratteri ISO-Latin-1
ASCII Standard
Caratteri di controllo
0-32
128-159
ISO-Latin-1 (ISO-8859-1 o ASCII esteso) unica estensione standard di ASCII 1 byte = 8 bits = 28 punti di codice = 256 caratteri rappresentati sufficiente per lingue europee occidentali (italiano, francese, ecc.)
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La famiglia di caratteri ISO-8859 14 set di caratteri standardizzati da ISO (International
Standard Organization) Codifica
1 byte = 256 caratteri rappresentati da ciascun set Soprainsiemi dei caratteri ASCII Standard
punti di codice 0 - 127 (parte comune) ASCII punti di codice 128 - 159 codici di controllo (non corrispondono
a caratteri grafici) punti di codice 160 - 255 (parte variabile) caratteri aggiuntivi
per greco, cirillico, lingue slave, arabo, ebraico, ecc. I set di ISO-8859 sono tutti reciprocamente incompatibili
Punto di codice 232 ISO-8859-1 (Latin-1) = “è” ISO-8859-6 (Cyrillic) = “ш”
ISO-8859 non copre lingue come giapponese, cinese, ecc.
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La famiglia di caratteri ISO-8859
ISO-Latin-1
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
The Universal Character SetUNICODE (ISO-10646) Standard internazionale che permette di rappresentare
qualsiasi tipo di carattere appartenente ai sistemi grafici esistenti lingue europee, asiatiche, arabo, ebraico, cirillico, ugaritico, ecc. basato su principi di composizione dinamica dei caratteri
ç = c + ¸
Assegna un numero di codice univoco ad ogni carattere “è” = 232 “ш” = 1096
Risolve i problemi di incompatibilità dei sistemi ISO-8859 estende l’insieme dei caratteri supportati permette la realizzazione di documenti multilingui
Unicode è un soprainsieme di ASCII http://www.unicode.org
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
The Universal Character SetUNICODE (ISO-10646)
Circa 96.000 caratteri grafici rappresentati (Unicode v. 4.0) … ma i punti di codice disponibili sono più di 1 milione !!
Molteplici tipi di codifica: UCS-2, UCS-4, UTF-8, UTF-16, ecc. Codifica comune UTF-8
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
The Universal Character SetUNICODE (ISO-10646)
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Caratteri e computer
Ab bkйd و٦من
ds kjdks kdsk
sybco oθδjpjp
Unicode ISO-Latin-1
1010011101
1000100100
1001010010
0110010100
Ab bkƛd ƛƛƛƛ
ds kjdks kdsk
sybco oƛƛjpjp
1010011101
1000100100
1001010010
0110010100
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Caratteri e computerRisoluzione dei problemi
Analisi dei caratteri nel testo individuare il set di caratteri con cui è scritto il documento:
ASCII Standard, Unicode, ISO-8859, ecc. individuare il set di caratteri accettati dal programma con cui si
deve elaborare il testo verificare l’eventuale esistenza di caratteri non-standard
editor esadecimale
Eventuale sostituzione dei caratteri sostituzione dei caratteri non appartenenti al set accettato dal
programma buona parte del sw. accetta solo ASCII attenzione alla perdita di informazione!!
è = e’ š s
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La codifica di alto livello: il punto di partenza
Il testo codificato al livello zero si presentacome un manoscritto in scriptio continua
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Trascrizione di un testo a partire da un manoscritto in scriptio continua
Codifica digitale di alto livello del testo
entrambe rendono esplicito ciò che è congetturale e implicito con lo scopo di guidare il lettore
(umano vs computer) nell’interpretazione del testo
Dietro all’analogia …
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
La codifica di alto livello
compito della codifica di alto livello: “dare forma” alla sequenza dei caratteri del testo rendendo
esplicita l’informazione che è veicolata attraverso convenzioni tipografiche, testuali e linguistiche: informazioni sull’organizzazione del testo (parti, titoli,
paragrafi) la conoscenza linguistica necessaria per la comprensione del
testo (per es. la categoria grammaticale di ciascuna parola, o i costituenti sintattici in cui si articolano le frasi del testo)
più in generale ogni interpretazione che si voglia affiancare al dato testuale
tracciare “sentieri” di lettura all’interno del testo rendere machine readable informazioni sul testo e tratti del testo
che altrimenti non sarebbero elaborabili dal computer
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
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!!)
informazioni morfologiche, sintattiche, semantiche
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
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
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
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
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Esempio prototipico di dato strutturato
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
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
la rappresentazione precisa di forme più complesse di informazione (concetti evoluti) non può prescindere dai dati
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Cosa codificare?I contenuti della codifica di alto livello
Individuare il livello di informazione da codificare strutturale, linguistica, ecc. la codifica esplicita di informazione linguistica viene detta annotazione
del testo morfologica, semantica, sintattica, ecc.
Definire il repertorio dei tratti giudicati rilevanti per la codifica 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 valori possono avere i diversi attributi (numero = SING, PLUR; caso =
NOM, GEN, ecc.)
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Cosa codificare?I contenuti della codifica di alto livello Schema di codifica
un repertorio di categorie per la codifica, corrispondenti alla tipologia dei tratti da rappresentare nel testo
generalmente espresso nella forma di attributi e dei loro possibili valori la definizione delle regole di compatibilità tra categorie
es. l’aggettivo non possiede un attributo di persona, o un nome quello di tempo
la specifica accurata dei criteri di applicazione al testo delle categorie selezionate
Schema di annotazione linguistica schema di codifica di informazione linguistica
Uno schema di codifica (annotazione) definisce il contenuto linguistico dell’annotazione, non il modo in cui la codifica
(annotazione) è proiettata sul testo
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Come codificare?I formati digitali del testo
Formato solo testo (plain text o txt) un file solo testo è costituito da una sequenza di bytes dove
ciascun byte rappresenta un carattere secondo un particolare codice
gli editori di testo sono programmi in grado di creare e leggere files di tipo solo testo
Emacs, Blocco Note, ecc. quando un editore di testo legge un file cerca di associare ogni
sequenza di bits a un carattere secondo un particolare codice Vantaggi
formato “aperto”, indipendente dal sistema operativo e dal programma che lo ha creato
massima portabilità e interscambiabilità dei testi Svantaggi
non può rappresentare aspetti relativi alla codifica di alto livello minima espressività
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Come codificare? I formati digitali del testo
Formati “proprietari” (doc, pdf, ecc.) possono essere creati, letti e interpretati solo da uno specifico
programma (es. Word, Adobe) oltre a sequenze di bits codificano caratteri, il file contiene
sequenze binarie che corrispondono a istruzioni di formattazione, codificate secondo le convenzioni di un certo programma
Vantaggi massima capacità espressiva e fruibilità per l’utente umano
rappresenta aspetti relativi alla codifica di alto livello ma solo per quanto riguarda la struttura testuale!!
Svantaggi formato “chiuso”, con minima portabilità e interscambiabilità codifica non per categorie testuali “astratte”, ma per modalità di
visualizzazione le informazioni linguistiche rimangono comunque implicite nel testo
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Formati dati proprietari Word Processor
MS Word, Word Perfect, Wordstar, XY Write, etc. Tutti differenti, rapida obsolescenza, decente compatibilità verso il passato
Desktop Publishing PageMaker, FrameMaker, Quark XPress, Ventura Publisher, etc. Tutti differenti, tutti estremamente specializzati, rapidissima obsolescenza,
nessuna compatibilità col passato DBMS
Oracle, MS Access, MS SQLserver, IBM DB2, etc. Estremamente orientati all'efficienza, opacissimi, decente obsolescenza, buona
compatibilità col passato Presentazione
Postscript, PDF, ma anche Flash, Shockwave Opachi, specializzati, complessi. Compatibilità col passato?
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Formati binari del testo Un formato binario è la memorizzazione esatta delle strutture in memoria
dell'applicazione, che niente hanno a che vedere con le esigenze di comprensione di esseri umani. Il testo non è visibile o è visibile per caso.
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Formati binari del testo Un formato binario è la memorizzazione esatta delle strutture in memoria
dell'applicazione, che niente hanno a che vedere con le esigenze di comprensione di esseri umani. Il testo non è visibile o è visibile per caso.
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Formati binari del testo Un formato binario è la memorizzazione esatta delle strutture in memoria
dell'applicazione, che niente hanno a che vedere con le esigenze di comprensione di esseri umani. Il testo non è visibile o è visibile per caso.
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Come codificare?Una possibile alternativa: i linguaggi di marcatura
Codifica di alto livello con linguaggi di mark-up (linguaggi di marcatura) dal punto di vista del formato digitale un testo codificato con un
linguaggio di marcatura è in formato solo testo l’informazione strutturale è rappresentata attraverso l’aggiunta al
testo di etichette (o tag) di marcatura sequenze di caratteri visibili secondo una convenzione standard,
intercalati nel testo seguendo precise regole di combinazione “marcano” blocchi di testo a cui viene assegnata una determinata
interpretazione Vantaggi
portabilità e interscambiabilità dei testi codificati massimo grado di espressività
è possibile esprimere tuttti gli aspetti della codifica di alto livello, compresa l’informazione linguistica
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Come codificare? I linguaggi di marcatura
<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>
mark-up per la codifica di informazione strutturale
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Come codificare? I linguaggi di marcatura
<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>
mark-up per la codifica di informazione strutturale
mark-up per la codifica di informazione linguistica
+
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
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 (es. RTF, TeX)
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)
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Un linguaggio di marcatura procedurale: RTF
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
Un linguaggio di marcatura dichiarativa: XML
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
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 individui
ogni elemento possiede 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.
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
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.
Lenci, Montemagni, Pirrelli
Testo e computer – Carocci 2005
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