В. А. Капустин Содержание Формальные структуры текстовых документов 1 Курс лекций

Вид материала

Курс лекций

Содержание Версии TEI TEI Light Разрабатываемая версия TEI Light Разметка основной части текста Разметка вводной части текста Титульный лист Фрагменты титульного листа и других вводных элементов документа Разметка завершающей части текста

Подобный материал:

• Курс лекций по дисциплине " основы компьютерных технологий" Часть I. Microsoft Word, 432.92kb.
• Сферы использования текстовых документов, 52.06kb.
• Курс, 1-й семестр лекции (51 час), экзамен практикум на ЭВМ (68 часов), зачет (с оценкой), 24.4kb.
• Календарный план курса учебных занятий по спецкурсу «Формальные языки моделирования, 61.45kb.
• Тема: Создание документов в текстовых редакторах, 13.54kb.
• Н. Э. Баумана Кафедра Компьютерные системы и сети Г. С. Иванова, Т. Н. Ничушкина Оформление, 109.65kb.
• Формальные и неформальные структуры, их роль в организации содержание, 304.91kb.
• Текстовые редакторы это программы для создания и редактирования текстовых документов, 263.8kb.
• Курс лекций Преподаватель Михайлов Н. Л. Рыбинск 2001, 562.19kb.
• Курс лекций Барнаул 2001 удк 621. 385 Хмелев В. Н., Обложкина А. Д. Материаловедение, 1417.04kb.

Версии TEI

Текущая стабильная версия

Текущей стабильной версией TEI является версия 4. Предыдущие версии разрабаты­ва­лись, в основ­ном, для SGML. В версии 4 DTD разработано так, что обеспечивает поддер­ж­ку как SGML-документов, так и XML-документов. Для работы с XML-документами при использовании полного варианта TEI, однако, необходимо включение соответствующего модуля:

Руководства по настройке и применению текущей стабильной версией TEI находятся на сайте консорциума TEI ⁷.

TEI Light

Кроме полного варианта DTD TEI существует официальный упрощенный вариант, т.н. TEI Light. TEI Light включает несколько наиболее употребительных модулей TEI:

% TEI.prose 'INCLUDE' >
% TEI.linking 'INCLUDE' >
% TEI.analysis 'INCLUDE' >
% TEI.figures 'INCLUDE' >
% TEI.extensions.ent SYSTEM 'teilitex.ent' >
% TEI.extensions.dtd SYSTEM 'teilitex.dtd' >
% TEI.XML "INCLUDE">

DTD TEI Light не содержит условных разделов. Руководство по TEI Light также можно найти на сайте консорциума TEI (причем на русском языке ⁷).

Разрабатываемая версия

В настоящее время разрабатывается пятая версия TEI. Она разрабатывается с использова­нием XML-схемы. Рабочий вариант пятой версии TEI (вместе с предварительной версией документации) находится на «фабрике проектов» Source Forge (проект TEI).

TEI Light

Объявление типа документа TEI Light, как правило, используется для разметки единст­вен­ного доку­мен­та (а не для разметки корпусов как целого). Именно такое применение TEI Light мы и будем рассматривать. Для единственного документа доку­мент TEI Light всегда имеет один и тот же корневой элемент с именем TEI.2, состоящий из заголовка TEI и собственно размеченного текста («текста TEI»):

Заголовок TEI (часто называемый «электронный титульный лист»), как видно из приведённого объявления элемента TEI.2, обязан присутствовать. В заголовке TEI содер­жится информация, аналогичная той, что находится на титульном листе печатного текс­та (метаданные). Она может содержать до четырех частей: библиографическое описание ма­шиночитаемого текста, описание способа разметки, небиблиографическое описание текс­та (параметры текста), и архив исправлений. Более подробно заголовок будет расс­мот­рен ниже.

Текст TEI может быть монолитным (отдельное произведение) или объединенным (на­бор отдельных произведений, как, например, в антологии). В любом случае текст мо­жет иметь необязательные вводную (front) и закрывающую (back) части. Между ними располагается основная часть текста (body), которая, в случае объединенного текста, мо­жет состоять из групп (group), а они, в свою очередь, из других групп или текстов:

Вспомогательные элементы могут встречаться почти всюду -->
'anchor | gap | index | interp | interpGrp | lb | milestone | pb'>

text
((%text.aux;)*,
(front, (%text.aux;)*)?,
(body | group),
(%text.aux;)*,
(back, (%text.aux;)*)?
)
>

В результате разметки монолитного текста получается структура, подобная приведенной ниже:


Заголовок TEI -->

Вводная часть ...-->
Тело текста ... -->
Завершающая часть ... -->



Объединенный текст также имеет необязательные вводную и закрывающую части. Между ними располагается одна или несколько групп текстов, каждая из которых тоже может иметь свои собственные вводные и завершающие части. Таким образом, в результате раз­метки объединенного текста получается структура, подобная приведенной ниже:


ок объединенного текста -->

Разметка основной части текста

Элемент body содержит всю основную часть одного монолитного текста, исключая то, что относится к вводной или завершающей частям текста. Этот элемент включает нес­коль­ко классов элементов:

• Блочная структура текста
  

Сюда входят абзац (p) и разделы (div1 … div7, div), аналогичные частям, главам и секциям (вместе взятым) DocBook; заголовки и заключения (head и trailer) раз­де­лов. В этот же класс элементов включаются обозначения структур, специ­фи­ческих для определенного жанра: строфа (lg), стихотворная строка (l), обо­значение персо­нажа (speaker) и прямой речи персонажа (sp), авторские за­ме­чания (stage, как пра­вило, в тексте пьесы).

• Закладки
  

Закладки – это, прежде всего, номера строк (lb, этим элементом помечаются так­же разрывы строк) и страниц (pb). Номера строки страниц обычно связаны с конкрет­ным изданием. Кроме этих элементов, в классе закладок присутствует эле­мент, пред­назначенный для обозначения произвольного маркера – milestone.

• Выделения
  

Выделения общего вида (когда причина выделения неизвестна) размечаются эле­мен­том hi (от английского highlight). В том случае, когда причина выделения яс­на, можно использовать специализированные элементы, размечающие слова или фразы: выделяемые с целью получения лингвистического или риторического эф­фек­та (emph); написанные на языке, отличающемся от языка основного текста (foreign); упомянутые, но не использованные (mentioned); рассматриваемые как технический термин (term); содержащие название произведения (title).

Большинство элементов, не связанных непосредственно с выделениями в тексте, име­ет атрибут rend, значения которого позволяют передавать типографские осо­бенности выделения (например, особенности шрифта и блочность или потоковость выделения).

• Цитаты
  

TEI позволяет размечать 4 вида цитат: цитата общего вида (речь или мысль, от­меченные как принадлежащие другому автору (независимо от того, действительно ли данный отрывок является цитатой); в сюжетно-повествовательных текстах таким образом отмечается прямая речь персонажа или оратора, а в словарях элемент этот элемент можно использовать для обозначения реальных или искусственных приме­ров использования) размечается элементом q; слова или фразы упомянутые, но не использованные (mentioned); слова или фразы, за которые автор или рассказчик сни­мает с себя ответственность, что обозначается кавычками или курсивом (soCalled); слова или фразы, которые представляют собой толкование (глоссу) или определение какого-либо другого слова или фразы (gloss).

• Примечания
  

Любые примечания, которые печатаются в виде сносок, примечаний в конце текста, маргиналий (примечаний на полях) или как-либо по-иному, следует обозначать с помощью одного и того же элемента note.

• Перекрёстные ссылки и связи
  

Перекрёстные ссылки и связи внутри документа TEI и перекрёстные ссылки и связи с другими документами (TEI и не TEI) размечаются по-разному. Для ссылок внутри документа TEI используются два элемента: ref и ptr (первый – контейнер, кото­рый может содержать текст и/или другие элементы; второй – пустой). Ссылка всегда должна вести к элементу, поэтому для создания в документе точек или сегментов, на которые можно было бы ссылаться, можно использовать любые элементы TEI, в том числе и специально для этого предназначенные: anchor и seg (первый – пустой – для создания точки, на которую можно сослаться; второй – контейнер – для отметки произвольного отрезка текста).

Для связи с другими документами используются элементы xref и xptr, причем для указания точки связывания в других документах используется язык XPath.

Для всех элементов TEI определены атрибуты связывания, позволяющие во многих случаях обойтись без использования элементов ref, ptr, anchor и seg.

• Редакторская правка, пропуски, удаления и дополнения
  

Элементы этого класса используются для разметки исправлений, т.е. изменений, внесенных редактором в тех местах, где по его мнению, в оригинале имеется ошиб­ка. Кроме исправления или нормализации слов и фраз, редакторы и публикаторы могут предложить вставить пропущенные материалы, не публиковать некоторые ма­териалы или ввести материалы, вычеркнутые из оригинала. Кроме того, некото­рые материалы могут оказаться исключительно сложными для передачи, поскольку их непросто разместить на странице (например, рисунки рукописи).

• Имена, даты, числа, сокращения и адреса
  

Этот класс содержит элементы: для разметки имён собственных (name), относящихся к персонам, и т.н. «называющих строк» (rs), которые представляют собой имена собственные, относящиеся к объектам (географические названия, названия кораблей и т.п.); дат (date) и времён (time); чисел (num); сокращений (abbr) с указанием соот­вет­ствующих полных форм (в виде значения атрибута expan элемента abbr); адре­сов (addr). Адрес (addr), в свою очередь, состоит из строк адреса (addrLine).

• Списки
  

Этот класс элементов содержит собственно список (list) и элемент списка (item). Нумерованность или маркированность списка управляются атрибутами. Ненумеро­ван­ный и немаркированный список может использоваться как глоссарий; в этом слу­чае для терминов используется элемент label, а определения размечаются эле­ментом item. Элемент label позволяет размечать достаточно произвольные спис­ки.

• Библиографические ссылки
  

Для разметки библиографических ссылок используется элемент bibl. Его содержи­мое может (но необязательно) быть структурировано с помощью элементов author (первичные сведения об ответственности), title (заглавие), editor (вторичные сведения об ответственности), imprint, publisher и pubPlace (сведения о пуб­ли­кации), series (сведения о серии), biblScope (подробность и уровень опи­сания).

• Таблицы
  

Этот класс элементов содержит три элемента: table, row, cell.

• Рисунки и графика
  

Для рисунков и графики используется один из двух элементов: figure или figDescr. Первый используется тогда, когда графика должна быть представлена в электронном документе; в этом случае графический файл должен быть представлен т.н. неразбираемой сущностью XML. Элемент используется для описания графи­чес­кого компонента текста в том случае, когда этот компонент по каким-то причинам не будет визуализирован.

• Интерпретация и анализ
  

Этот класс элементов на самом деле содержит элементы, назначение которых может меняться от приложения к приложению. Для выделения неделимых фрагментов текста (часто – слов, например, для синтаксической разметки) используется эле­мент s. Элементы s не следует вкладывать друг в друга, хотя это формально и не запре­щено. Для создания «опорных точек» – фрагментов текста, на которые можно ссылаться, используется элемент seg. Для произвольных интерпретаций (коммен­тариев, морфологической разметки и пр.) используется пустой элемент interp, со­держащий интерпретирующую аннотацию, которую можно связать с некоторой частью текста. Элементы interp можно объединять в группы – контейнеры interpGrp.

• Техническая документация
  

Элементы этого класса применяются как для разметки документации (подобно DocBook), так и для целей подготовки документов TEI к публикации.

Некоторые элементы этого класса предназначены для разметки специфических фрагментов текстов документации: кратких примеров (eg); фрагментов кода (code), идентифика­торов (ident); имена элементов XML или SGML (gi); ключевых слов на формальном языке (kw); математических, химических и иных формул (formula). Для записи фор­мул, как правило, используется T_EX и, при необходимости, секции символьных дан­ных ( ... ]]>).

Другие элементы предназначены для указания мест в документе, в которые будут по­мещены разделы, создаваемые обрабатывающим документ приложением: раз­де­лы общего вида (divGen) и указатели (index).

Кроме элементов, руководство ⁷ (разработанное ещё в до-Юникодовскую эру) настоя­тель­но рекомендует для всех символов, отличных от латиницы и цифр, а также от небольшого набора знаков препинания, использовать общие сущности, обозначающие соответствую­щий символ, например, % вместо знака "%" (DTD TEI Light содержит 340 объяв­лений подобных сущностей). В настоящее время применение XML/Unicode эту рекомен­дацию сделало неактуальной, её следует соблюдать только в том случае, если документ будет обрабатываться в ус­таревшем приложении.

Разметка вводной части текста

Структура вводной части текста определяется следующим объявлением:

(
(divGen | titlePage | anchor | gap | index | interp
| interpGrp | lb | milestone | pb)*,
(
(
(argument | byline | docAuthor | docDate | docEdition
| docImprint | docTitle | epigraph | head
| titlePart),
(argument | byline | docAuthor | docDate | docEdition
| docImprint | docTitle | epigraph | head
| titlePart
| titlePage | anchor | gap | index
| interp | interpGrp | lb | milestone | pb)*
)
|
(div,
(div | divGen | titlePage | anchor | gap | index | interp
| interpGrp | lb | milestone | pb)*
)
|
(div1,
(div1 | divGen | titlePage | anchor | gap | index
| interp | interpGrp | lb | milestone | pb)*
)
)?
)
>

Фактически, вводная часть текста может содержать информацию о титульном листе (titlePage) и/или его фрагментах и/или элементах, расположенных на контртитуле, обороте титульного листа и т.п. (части объявления, начинающиеся с элемента argument), а также различные вводные тексты (элементы div и div1).

Титульный лист

Никакие вложенные в элемент front элементы не являются обязательными (обратите внимание на наличие знаков * и ?), однако рекомендуется использовать по крайней мере элемент titlePage, описывающий титульный лист произведения, или те элементы, которые входят в него, но могут быть использованы непосредственно в элементе front:


(
(anchor | gap | index | interp | interpGrp | lb
| milestone | pb)*,
(byline | docAuthor | docDate | docEdition | docImprint
| docTitle | epigraph | figure | titlePart),
(byline | docAuthor | docDate | docEdition | docImprint
| docTitle | epigraph | figure | titlePart
| anchor | gap | index | interp | interpGrp
| lb | milestone | pb)*
)
>

В структуре титульного листа могут быть выделены следующие элементы, не являющиеся служебными:

• docTitle
  

Содержит название документа, включая все его составляющие, в том виде, как они приведены на титульном листе. Должен содержать по крайней мере один элемент titlePart.


(
(anchor | gap | index | interp | interpGrp | lb | milestone | pb)*,
(titlePart,
(anchor | gap | index | interp | interpGrp | lb | milestone | pb)*
)+
)
>

• titlePart
  

Содержит подразделы или части названия произведения, как они представлены на ти­тульном листе; этот элемент используется также для свободно размещаемых фраг­ментов титульного листа, не являющихся частями названия документа, для указания авторства и т.д. Может включать разнообразные элементы разметки.

• byline
  

Содержит первичные сведения об ответственности, приведенные на титульном листе, либо в начале или в конце произведения.

• docAuthor
  

Содержит имя автора документа, как приведено на титульном листе (часто, но не всегда содержится в элементе byline).

• docDate
  

Содержит дату (создания, печати) документа, как она представлена (обычно) на титульном листе.

• docEdition
  

Содержит сведения о редакции документа («Издание 2-е, исправленное и допол­нен­ное»), как они представлены на титульном листе.

• docImprint
  

содержит сведения об издании (место и дату публикации, название издательства), как представлено (обычно) в нижней части титульного листа.

• epigraph
  

содержит цитату, анонимную или с указанием автора, которая приводится в начале раздела, главы или на титульном листе.

Фрагменты титульного листа и других вводных элементов документа

Руководство ⁷ ошибочно описывает некоторые элементы, как допустимые во вводной и завершающей частях текста. Текущая версия DTD TEI Light некоторые из описанных в ⁷ элементов допускает только в завершающей части текста, но не во вводной. Приведу не­ко­торые элементы, допустимые во вводной части текста (другие допустимые в этом месте элементы уже описаны выше):

• argument
  

Формальный список или описание тем, раскрываемых в данном подразделе текста.

• head
  

Заголовок. Может содержать многочисленные элементы фразовой разметки. Во ввод­ной части документа часто содержит элементы argument и byline и следу­ю­щие эле­менты:

• salute
  

Содержит приветствие, предваряющее предисловие, посвятительное послание или другой раздел текста, а также приветствие в конце письма, предисловия и т.п.

• dateline
  

Содержит краткое описание места, дату, время и т.п. создания письма, газетной статьи или другого произведения, предваряющее его как осо­бый вид заголовка.

• opener
  

Группирует вместе элементы dataline, byline, salute или подобную им ин­формацию, которая появляется в качестве вступительной части в начале разде­ла, особенно в начале письма. Может содержать многочисленные элементы фразовой разметки.

Крупные блоки текста во вводной части следует выделять с помощью элементов div или div1.

Разметка завершающей части текста

Структура завершающей части текста отличается от структуры вводной части наличием в ней (в конце завершающей части) элементов trailer и/или closer и определяется сле­дующим объявлением:

(
(divGen | titlePage | anchor | gap | index
| interp | interpGrp | lb | milestone | pb)*,
(
(
(argument | byline | dateline | docAuthor | docDate
| epigraph | head | opener | salute | signed),
(argument | byline | dateline | docAuthor | docDate
| epigraph | head | opener | salute | signed
| titlePage | anchor | gap | index | interp
| interpGrp | lb | milestone | pb)*
)
|
(div,
(div | divGen | titlePage | anchor | gap | index
| interp | interpGrp | lb | milestone | pb)*
)
|
(div1,
(div1 | divGen | titlePage | anchor | gap | index
| interp | interpGrp | lb | milestone | pb)*
)
)?,
(trailer | closer)*
)
>

Элементы trailer и closer почти неотличимы друг от друга – они содержат, в основ­ном, элементы фразовой разметки, closer может содер­жать три элемента, который не могут входить в trailer: знакомые нам salute и dateline, а также signed, который содержит заключительное приветствие и т.п., следующее за разделом текста.