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

Вид материала

Курс лекций

Содержание Лекция 7.Заголовок TEI (электронный титульный лист).Визуализация документа TEI Общие сведения о заголовке TEI Типы содержимого в заголовке TEI Stmt (например, editionStmt Decl (например, subjectDecl Описание файла Группа заглавия Автор, редактор, спонсор, финансовая поддержка, ответственный исполнитель Сведения об ответственности Группа издания Группа выходных данных (сведения о публикации) Группа серии Группа примечаний Имя атрибута Группа источника Производные документы TEI

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.

Лекция 7.Заголовок TEI (электронный титульный лист).
Визуализация документа TEI

Размеченный текст должен быть снабжён метаинформацией, документирующей сам текст, кодировку, вносимые изменения и др. Эта метаинформация необходима как исс­ле­дователям, использующим размеченный текст, так и программам, которые этот текст об­рабатывают, а также и каталогизаторам (в библиотеках). Содержание этой метаинфор­ма­ции похоже на содержание титульного листа печатного издания.

Поскольку основной текст (тело) документа TEI может вообще практически не содержать разметки, заголовок TEI является важнейшим элементом документа TEI. Поэтому рас­смот­рим заголовок TEI подробно.

Общие сведения о заголовке TEI

Метаинформация в документе TEI размещается в обязательном заголовке TEI:


(fileDesc, encodingDesc*, profileDesc*, revisionDesc?) >

Структура заголовка TEI

Заголовок TEI состоит из четырёх частей, лишь первая из которых – описание файла, fileDesc – обязательна. Таким образом, минимальный заголовок TEI имеет вид:


...


Почти всегда, однако, присутствуют и необязательные элементы.

Следует отличать заголовок TEI (элемент teiHeader), предназначенный для размещения в нём метаинформации, от элемента front, предназна­чен­но­го для разметки вводной час­ти текста.

Полная версия TEI в некоторых случаях (например, при разметке корпуса) допускает ис­пользование нескольких заголовков TEI. TEI Light разрешает использовать лишь единст­венный заголовок TEI.

Остановимся вначале на каждом элементе заголовка TEI кратко:

• Описание файла (элемент fileDesc) содержит полное библиографическое описа­ние самого компьютерного файла. Когда здесь говорится о компьютерном фай­ле, имеется в виду вся совокупность физических сущностей, на которые разбит доку­мент TEI.
  

Из этого описания пользователь может получить точную библиографическую ссыл­ку, а библиотекарь или работник архива может соз­дать правильную библиографи­ческую запись, идентифицирующую наличие это­го файла в коллекции.

Описание файла также включает информацию об источнике, из которого был создан электронный документ.

• Описание кодирования (элемент encodingDesc) предназначено для подробного от­ражения связей между электронным документом и его источником (источника­ми). Оно предназначено для детального описания таких аспектов преобразования текста в электронную форму, как нормализация, устранение неоднозначностей; здесь так­же приводится информация об использованной разметке, глубине анали­за и т.п.
  
• Параметры текста (элемент profileDesc) – это классификационная и контекстная ин­формация о тексте.
  

В этом элементе могут присутствовать предметные рубрики, история создания, пер­со­налии, связанные с текстом (как ответственные лица, так и описываемые в тексте), и т.п. Этот элемент часто используется при работе с корпусами – в этом случае для значений вложенных в него элементов применяются словари с контролируемой лек­сикой, что позволяет, например, автоматизировать отбор текстов для последующей обработки.

• История изменений (элемент revisionDesc). Этот элемент используется для управления версиями размеченного документа.
  

Типы содержимого в заголовке TEI

• Проза
  

Большинство элементов заголовка содержат элементы прозы, такие как абзац или спи­сок. Некоторые элементы, однако, могут содержать только символьные данные (возмож­но, с разметкой фразового уровня).

• Группирующие элементы. Имена группирующих элементов заканчиваются суф­фик­сом Stmt (например, editionStmt или titleStmt)
  

Группирующие элементы используются для записи структурированной информа­ции, например, соответствующей области библиографического описания. Зачас­тую группирующий элемент имеет две альтернативы: структурированную (состоя­щую из отдельных элементов) и неструктурированную. В неструктурированном ва­рианте используется один элемент, формально содержащий прозу, в котором раз­мет­ка составных частей выполнена в соответствии с местными традициями (напри­мер, библиографическое описание в соответствии с ГОСТ 7.1–2003).

• Объявления. Имена элементов объявлений имеют суффикс Decl (например, subjectDecl или refsDecl).
  

Объявления содержат информацию о конкретном применении разметки в данном тексте, зачастую в кодированном виде. На эту информацию можно ссылаться в раз­метке текста, используя атрибут decls.

• Описания. Имена элементов объявлений имеют суффикс Desc (например, settingDesc или projectDesc). Эти элементы содержат тексты соответствующих описаний.
  

Описание файла

Элемент fileDesc – первый и единственный обязательный элемент заголовка TEI:

(titleStmt, editionStmt?, extent?, publicationStmt, seriesStmt?,
notesStmt?, sourceDesc+) >

Структура этого элемента напоминает структуру библиографического описания. Эле­мент fileDesc содержит три обязательных (titleStmt, publicationStmt и sourceDesc) и четыре необязательных элемента. Все эти (как обязательные, так и необя­зательные) элементы имеют только глобальные атрибуты.

Группа заглавия

Элемент titleStmt группирует информацию о заглавии произведения и лицах, ответст­венных за интеллектуальное содержание произведения. Этот элемент идёт первым в опи­сании файла и является обязательным.


(title+, (author | editor | sponsor | funder | principal | respStmt)*)
>

Группа заглавия содержит заглавие, данное электронному произведению (это заг­лавие может, вообще говоря, отличаться от заглавия произведения-источника), а также мо­жет содержать один или несколько необязательных элементов, несущих в себе сведе­ния об ответственности, идентифицирующие автора, разметчика, составителя и др. лиц (физических и/или организаций), каким-либо образом ответственных за электронный до­кумент.

В сведениях об ответственности должны присутствовать элементы author – автор произ­ведения – и principal – автор электронной размеченной версии. Остальные сведения об ответственности факультативны.

Все имена и названия организаций должны приводиться в наиболее развёрнутой форме (в частности, персональные имена – не только в виде фамилий с инициалами, но, по край­ней мере, в виде фамилий и полных личных имён).

Пример



Poe, Edgar Allen (1809-1849)

compiled by James D. Benson

Заглавие

Заглавие – это элемент прозы. Для удобства дальнейшего описания я сначала определю две пара­мет­рические сущности, которые в совокупности определяют все элементы прозы (см. описание абзаца выше):

#PCDATA
| ident | code | kw | abbr | address
| date | name | num | rs | time
| add | corr | del | orig | reg
| sic | unclear | formula | emph | foreign
| gloss | hi | mentioned | soCalled | term
| title | ptr | ref | xptr | xref
| s | seg | gi

>

" eg | bibl | biblFull | figure | cit | q | label
| list | listBibl | note | stage | table | text"
>

"(%proseGeneral; | %proseNotInPerson; | %body.marks; )*"
>

Элемент title имеет два (сверх обычных глобальных) атрибута:

• level – библиографический уровень заглавия (статья – article, книга – monograph, журнал – journal, продол­жаю­ще­еся издание – series, неопубликованный материал – unpublished):
  

level (a | m | j | s | u) #IMPLIED

• type – вид заглавия, в соответствии с принятой (коллективом, размечавшим текст) типологией заглавий:
  

type CDATA #IMPLIED

Элемент title содержит основное заглавие файла, включая все альтернативные загла­вия и подзаголовки. Форма, в которой представляется заглавие, оставляется на усмот­ре­ние того, кто создаёт этот элемент. Если электронный текст является производным от су­ществующего неэлектронного источника, то следует в элементе title воспроизвести точ­ное заглавие этого источника, дополнив его фразой типа «электронный вариант / из­дание / текст» и т.п. для того, чтобы надёжно отличать размеченный документ от исход­но­го (в том числе в каталогах, содержащих описания обоих документов).

Руководство по TEI настоятельно не рекомендует использовать системное имя файла в ка­честве значения элемента title, поскольку системное имя файла подвержено частым из­менениям.

Полезным руководством по определению того, как следует формировать заглавие, может служить ГОСТ 7.1–2003 ⁷.

Автор, редактор, спонсор, финансовая поддержка, ответственный исполнитель

Все эти элементы содержат сведения о лицах или организациях, выступающих в опреде­лённой роли относительно данного текста. В этих элементах допустимы не все элементы прозы.

• author
  

Имя персоны или коллектива, которые являются автором произведения; первичные сведения об ответственности.

• editor
  

Вторичные сведения об ответственности. Элемент содержит информацию о редак­то­рах, составителях, переводчика и пр. лицах (персонах или организациях), участ­во­вавших в создании произведения.

• sponsor
  

Название организации или лица, оказавшего спонсорскую (не обязательно финан­со­вую) поддержку созданию произведения.

• funder
  

Название организации, структуры или лица, ответственных за финансирование про­екта разметки или создания данного текста.

• principal
  

Имя лица, ответственного за создание данного электронного текста

Сведения об ответственности

Для детализации указания сведений об ответственности используется элемент respStmt:

resp | name | %body.marks; )+ >

Обычно этот элемент содержит пару элементов resp и name:

• resp
  

Содержит фразу, описывающую вид интеллектуальной ответственности.

• name
  

Содержит имя или именную фразу.

Группа издания

Группа издания – элемент editionStmt – объединяет информацию, относящуюся к од­но­му изданию текста:


Элемент editionStmt содержит либо фразу, описывающую издание (элементы p – аб­зацы), либо структурированную информацию в виде элемента edition, описывающего особенности издания, и списка (respStmt*) сведений об ответственности, относящихся к указанному изданию.

Термин «издание» по отношению к печатным текстам используется в TEI в традицион­ном смысле. По отношению к электронным документам «издание» примерно эквивален­т­но версии (version) или выпуску (release). Слова «издание», «версия» и т.п. должны включаться в содержимое элемента editionStmt (в элемент edition или p). Все даты в элементах edition или p внутри элемента editionStmt должны быть заключены в эле­мент date.

Слова «подверсия» (revision) или об­нов­ление (update), напротив, не могут служить признаком «издания». Все изменения в электронной версии текста, однако, могут быть зафиксированы в элементе revisionDesc – «История изменений» (см. ниже).

Размер

Необязательный элемент extent описывает размер электронного текста, размещенного на некотором носителе, в каких-либо приемлемых единицах. Этот элемент не имеет ни­ка­кой специальной структуры:

Примеры:

между 1 16-битовым мегабайтом и
2 16-битовыми мегабайтами

4.2 MB

4532 bytes

3200 предложений

5 3.5" дискет высокой плотности

Группа выходных данных (сведения о публикации)

Группа выходных данных – обязательный элемент publicationStmt – объединяет ин­фор­мацию, относящуюся к публикации или распространению исходного или электрон­ного текста. Этот элемент содержит либо прозу, либо структурированную информацию. В этом элементе разрешены маркирующие элементы (%body.marks;):

"(publisher | distributor | authority | pubPlace |
address | idno | availability | date) "
>

( ( p, (%body.marks;)* )+ | (%pubInfo;, (%body.marks;)* )+ )
>

В группе выходных данных обязательно присутствие информации об одном из трёх лиц или организаций: издателе (publisher), рас­пространителе (distributor) или о ли­це или организации, отвечающей за доступность произведения (authority). Ос­тальные эле­мен­ты необязательны: место издания – pubPlace, почтовый или иной адрес – address, стан­дартный или нестандартный идентификационный номер издания – idno, сведения о доступности (включая информацию об авторских правах) – availability, дата публика­ции – date (именно дата публикации; дата создания документа приводится в элементе profileDesc – Параметры текста). Рекомендуется приводить элементы именно в ука­зан­ном порядке.

Пример:


Oxford University Press


Oxford

1989
<idno type='ISBN'>0-19-254705-4


Copyright 1989, Oxford University Press

Группа серии

Необязательный элемент seriesStmt объединяет информацию о серии, к которой при­надлежит публикация. На «библиографическом жаргоне» серию можно определить одним из трёх способов:

• Группа отдельных публикаций, связанных друг с другом тем фактом, что каждая публикация, кроме собственного заглавия, имеет также общее, объединяющее все эти публикации, заглавие. Индивидуальные публикации могут быть, а могут и не быть пронумерованы.
  
• Каждый из двух или более томов литературных произведений, лекций, статей, или других однородных публикаций, изданных последовательно.
  
• Пронумерованная последовательность томов внутри периодического или продол­жа­ющегося издания.
  

Элемент seriesStmt содержит либо прозу, либо структурированную информацию.

Все элементы содержимого группы серии уже были рассмотрены выше. В элементе title следует указывать атрибут level со значением s (серия). В исполь­зовании эле­мен­та idno в группе серии есть некоторые особенности: обычно используют­ся не менее двух элементов idno. Один содержит стандартный номер (ISSN), а другой – номер пуб­ли­кации в серии:




ed. by
Jan Gonda

type="vol">1.2
type='ISSN'>0 345 6789


Номера публикации в серии рекомендуется кодировать арабскими цифрами с точкой в качестве разделителя: вместо VI/xix:33 в содержимом элемента idno должно стоять 6.19.33.

Группа примечаний

Группа примечаний – notesStmt – содержит разнообразные примечания (структури­ро­ванный текст – %structuredText; – может включать анонимные блоки ab, элементы сти­хотворного текста l и lg, абзацы p и прямую речь персонажей sp, – всё это может появляться в тексте примечания):

| lg | p | sp" >
| %structuredText;" >

note (%extendedText;)* >

Элемент note имеет, кроме глобальных, ещё 6 атрибутов (напомню, что значение по умолчанию #IMPLIED означает, что атрибут не является обязательным):

Имя атрибута	Тип значения атрибута	Описание
type	CDATA #IMPLIED	Тип примечания
resp	CDATA #IMPLIED	Указывает лицо, ответственное за данное примечание (автор, редактор, переводчик и пр.)
place	CDATA "unspecified"	Есть ли примечание в основном тексте
anchored	(yes | no) "yes"	Указано ли конкретное место примечания в тексте (в виде ссылки ил описания места)
target	IDREFS #IMPLIED	Идентификаторы отрезков текста, к которым относится примечание
targetEnd	IDREFS #IMPLIED	Идентификаторы элементов, которые завершают отрезки текста, к которым относится примечание (при необходимости должны использоваться пустые элементы)

В традиционной библиографии некоторые виды информации о произведении размеща­ются в примечаниях. TEI требует, чтобы для перечисленных ниже видов метаинфор­ма­ции использовались специально предназначенные для них элементы:

• Происхождение, назначение, художественная форма, жанр или другая интеллек­ту­альная категория – profileDesc.
  
• Формальный реферат, не содержащий оценки произведения – profileDesc.
  
• Подробное библиографическое описание (традиционного, как правило, не элект­рон­ного) источника или источников текста электронного документа – sourceDesc.
  
• Любая информация, относящаяся к выходным данным, распространению текста (включая то, как можно получить текст), любая информация об ограничениях или условиях доступа – publicationStmt.
  
• Общедоступные идентификационные номера и шифры (прежде всего, ISBN и ISSN) – publicationStmt (вложенный элемент idno).
  

Элемент notesStmt можно использовать для передачи следующей информации о фай­ле и его осо­бен­ностях:

• Дат (например, «предположительно, 1983».
  
• Имён лиц и названий коллективов (организаций), имеющих отношение к процессу создания и разметки электронного документа, но которые по каким-то причинам не упомянуты в сведениях об ответственности.
  
• Доступности электронного документа на тех или иных носителях; доступности до­ку­ментации; доступности имеющей отношение к электронному документу допол­ни­тель­ной информации (например, в случае неполной оцифровки/разметки исход­но­го источника).
  
• Языке текста и реферата.
  
• Уникальном названии, присвоенном серии в Международной системе данных о сериях (ISDS).
  
• Связанных публикациях (например, описывающих текст произведения – источни­ка).
  

Пример:


Historical commentary provided by Mark Cohen.
OCR scanning done at University of Toronto.

Группа источника

Последний элемент описания файла – обязательный элемент sourceDesc. Он предназна­чен для передачи информации об источнике (источниках), которые послужили основой для создания электронного размеченного текста – документа TEI. Таким источником мо­жет быть печатный текст, рукопись, другой компьютерный файл, аудио или видеозапись, и др., или любая комбинация подобных источников. Источник, впрочем, может и вовсе от­сутствовать. Элемент sourceDesc содержит библиографическое описание источника.

Элемент sourceDesc содержит либо прозу (абзац p), либо (предпочтительнее) структу­рированное библиографическое описание:

Полная DTD TEI допускает использование ещё двух элементов для описания источника в случае, когда источником послужила записанная устная речь: scriptStmt – для описа­ния того, как речь была записана на бумаге, recordingStmt – для описания того, какой на­бор физических записей был использован (включая информацию об оборудовании).

Пример (из оригинального руководства по TEI):



No source: created in machine-readable form.

Производные документы TEI

Если источником документа TEI является другой документ TEI, то данные из заголовка TEI этого второго документа должны быть включены в заголовок первого документа в со­ответствии со следующими правилами:

• Элемент fileDesc источника переносится в элемент sourceDesc/biblFull нового доку­мента (я использую нотацию XPath для адресации эле­ментов).
  
• Элемент profileDesc переносится в profileDesc без изменений.
  
• Элемент encodingDesc, как правило, создаётся заново, поскольку принципы раз­мет­ки нового документа и документа-источника, скорее всего, существенно разли­чаются.
  
• Элемент revisionDesc может быть как абсолютно новым (собственно, создан но­вый документ), так и содержать часть информации из элемента исходного доку­мен­та TEI. В последнем случае необходимо чётко выделить то, к какому именно доку­мен­ту относится приводимая информация (даты, редакции и т.п.).