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 presenta come un manoscritto in scriptio continua

Formato grafico e codifica Luso 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

Uninformazione è un dato strutturato... un esempio: 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 unentità 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 lautore, 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 litaliano (Rank Xerox Research Centre) TAG| DESCRIPTION | EXAMPLE NSG| singular noun| casa, balsamo NPL| plural noun| case, ventottesimi PROP| proper name| Bernardo, Monte Isola ADJSG| singular adjective| buono, narcisistico ADJPL| plural adjective| belle, trecentocinquesimi VAUXINF| infinitive auxiliary "essere"/"avere"| esser, essere, aver, avere VAUXF| finite auxiliary "essere" or "avere" | è, sarò, saranno, avrete VAUXGER| gerund auxiliary "essere" or "avere"| essendo, avendo VAUXGER_CLIT| gerund auxiliary + clitic| essendogli VAUXIMP| imperative auxiliary| sii, sia, abbi, abbiamo VAUXIMP_CLIT| imperative auxiliary + clitic| siategliene, abbiatemi VAUXPPSG| singular past participle auxiliary| stato/a, avuto/a VAUXPPPL| plural past participle auxiliary| stati/e, avuti/e VAUXPPSG_CLIT| sg. past part. auxiliary + clitic| statone, avutavela VAUXPPPL_CLIT| pl. past part. auxiliary + clitic| statine, avutiti VAUXPRPARTSG | singular present participle auxiliary| essente, avente VAUXPRPARTPL| plural present participle auxiliary| essenti, aventi VINF | verb infinitive| sciupare, trascinar VINF_CLIT| verb infinitive + clitic| spulciarsi, risucchiarsi VF| finite verb form| blatereremo, rantolo VF_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 allutente facili aggiunte/modifiche 6.Permettere luso 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 lannotazione 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 lutente 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 (Googles DOCS), etc.Googles DOCS 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 dallutente. 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) linformazione strutturale è rappresentata attraverso laggiunta 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 allindietro 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 dellapproccio WYSIWYG) Limitato (come RTF) alla marcatura di istruzioni di visualizzazione Direttamente scrivibile da umani (con lausilio 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)RTF 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) XML

Marcatura procedurale basata sullaspetto 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 allinterno 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 lassegnazione 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: lautore 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

LXML (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 allSGML (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 lelaborazione 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 allutente di definire il proprio insieme di tag (elementi) e in questo senso può essere considerato un meta-markup language: i tag definiti dallutente possono avere dei nomi che rispecchiano il contenuto del documento stesso