Lezione 3 Codifica di alto livello: dai formati binari ad XML.
-
Upload
giulia-de-santis -
Category
Documents
-
view
226 -
download
2
Transcript of Lezione 3 Codifica di alto livello: dai formati binari ad XML.
Lezione 3 Codifica di alto livello: dai formati binari 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
Esempio prototipico di dato strutturato
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 formati binari 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 bit che 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 bene alcuni aspetti relativi alla struttura testuale.
File potenzialmente compatti (specialmente PDF) Svantaggi
formato “chiuso”, con minima portabilità e interscambiabilità codifica non per categorie testuali “astratte”, ma per
modalità di visualizzazione (procedurale) le informazioni linguistiche rimangono comunque implicite
nel testo Obsolescenza?
Formati dati proprietari Videoscrittura
.doc (MS Word), .wp (Word Perfect), .odt (OO Writer), .html (Google’s DOCS), etc.
Tutti differenti, spesso rapida obsolescenza, decente compatibilità verso il passato
Desktop Publishing i formati di: PageMaker, FrameMaker, Quark XPress, Ventura
Publisher, etc. Tutti differenti, tutti estremamente specializzati, rapidissima
obsolescenza, nessuna compatibilità col passato DBMS
I formati di: Oracle, MS Access, MS SQLserver, IBM DB2, etc. Estremamente orientati all'efficienza, opacissimi, decente
obsolescenza, buona compatibilità col passato
Word: oltre la formattazione
A parte la formattazione di singoli caratteri/paragrafi, Word dispone di un sistema di annotazione più astratta delle caratteristiche di un testo: gli Stili
Formato > Stili e formattazione > Nuovo stile …
Gli “stili” (di carattere, di paragrafo), sono il modo assegnare ad una parte di testo una etichetta (il nome di un particolare “stile”), anche ideata dall’utente.
A ciascuno stile a cui si può poi associare una certa resa grafica.
Dunque gli stili costituiscono un modo per effettuare una codifica di alto livello (una annotazione/markup)
Uso degli stili
Stile “2_colonne”(basato su “testo”, modif.)
Word: uso degli “stili”Stile “titolo 3”
Stile “indice”
Resa grafica
Word: uso degli “stili”
Stili di Word Vantaggi
Una volta associato una porzione di testo ad uno stile, diventa facile cambiare ogni elemento di quello stile.
Facile definire nuovi stili sulla base di quelli vecchi Possibile salvare i nuovi stili definiti
Svantaggi formato “chiuso” Gli stili sono limitati alla specifica di caratteristiche di
formattazione (impossibile marcare p.es. la “frase”: soli livelli “carattere” e “paragrafo”)
Impossibile regolare la esatta successione di una serie di stili (unico concetto definito: “stile per il paragrafo successivo”)
Impossibile scorporare testo e annotazione (posso solo salvare il documento come .txt (“solo testo”) , annullando così gli stili inseriti)
Scarsamente utilizzati
Come associare testo e codifica?Una alternativa: 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 linguaggio di marcatura targato Microsoft: RTF
RTF Prodotto/letto da Word (ed altri
programmi Office) Problemi di compatibilità all’indietro Non uno standard Limitato (come gli “stili” Word) alla
marcatura di istruzioni di visualizzazione
Non direttamente scrivibile da umani molto poco usato
Un linguaggio di marcatura targato UNIX: LaTeX
LaTeX: Un documento completo
\documentclass[12pt]{article}\usepackage{times,a4wide}
\begin{document}\section{Introduzione}\label{sec:introduzione}
\begin{itemize}
\item Primo punto\item Secondo punto
\begin{enumerate} \item Sottopunto A \item Sottopunto B \end{enumerate}
\end{itemize}\end{document}
LaTeX (e TeX) Tradotto in testo formattato stampabile dal
programma (gratuito) “latex” (esatto contrario dell’approccio WYSIWYG)
Limitato (come RTF) alla marcatura di istruzioni di visualizzazione
Direttamente scrivibile da umani (con l’ausilio di un editor, più addestramento)
Usato in alcune comunità scientifiche(matematica, informatica,…)
non uno strumento generale di annotazione
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 (es. RTF, 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