Spécification du format XML-TEI pour l’alignement texte-image. 1. Structure et convention de nommage

1. Objet du présent document

Ce document est la publication du format XML-TEI utilisé pour l’alignement texte-image et l’annotation des formes par le logiciel Oriflamms.exe . La présente spécification décrit l’arborescence des fichiers.

Ce document a été rédigé par Alexei Lavrentiev, Yann Leydier et Dominique Stutzmann

2. Principes

On utilise la méthode d’annotation « débarquée » (stand-off) en 5 parties :

  • la transcription où chaque élément alignable porte un identifiant
  • les zones dans l’image avec leurs coordonnées où chaque porte un identifiant
  • les données de l’alignement reliant les identifiants des éléments de la transcription avec ceux des zones de l’image
  • les annotations portant sur les caractères ou les mots des transcription
  • les données de l’alignement reliant les identifiants des éléments de la transcription avec ceux des annotations

Tous les identifiants sont uniques au sein du corpus.

Chacune de ces parties est stockée dans un (ensemble de) document(s) XML distinct.

3. Structure des fichiers

A l’intérieur du dossier d’un projet de texte aligné, il doit y avoir impérativement quatre dossiers :

  1. img
  2. texts
  3. zones
  4. img_links

Trois dossiers supplémentaires sont créés pour l’analyse paléographique et stocker des informations utilisées par le logiciel d’alignement Oriflamms.exe

  1. ontologies
  2. ontologies_links
  3. oriflamms
Arborescence des dossiers pour le logiciel Oriflamms.exe
Arborescence des dossiers pour le logiciel Oriflamms.exe

3.1 img

Le dossier « img » contient les fichiers images du manuscrit.

/img/ Dossier des images
/img/ Dossier des images

3.2 texts

Le dossier « texts » contient deux versions dites « tokénisées » du texte édité :

  1. la première contient le texte avec les éléments <w> et <pc> munis de leur identifiant (@xml:id). Le fichier est nommé avec le même nom que le fichier d’édition, avec le suffixe « -w »;
  2. la seconde contient les mêmes éléments <w> munis du même identifiant, mais aussi des éléments <c> et <g> munis d’identifiants. Elle est, par ailleurs, allégée d’éléments non alignables au niveau du caractère, comme les résolutions d’abréviations. Le fichier est nommé avec le même nom que le fichier d’édition, avec le suffixe « -c ».

3.3 zones

Le dossier « zones » contient les fichiers des coordonnées des zones image par image au format TEI.

Oriflamms.exe : dossier /zones/
Oriflamms.exe : dossier /zones/

 

La convention de nommage est la suivante :

  • nom du corpus (e.g. « PsautierIMS »)
  • underscore « _ »
  • préfixe « surf_[nomducorpus] » (e.g. « PsautierIMS_surf_PsautierIMS)
  • underscore « _ »
  • nom de l’image sans l’extension de format (e.g. « 591786101_MS0182_0068 »)
  • suffixe « -zones »
  • extension de format « .xml »

Pour chaque image ou <surface> au sens du module facsimile de la TEI, on utilise l’arborescence page > colonne > ligne > mot > caractère, y compris pour les pages à une seule colonne ou une seule ligne.

<facsimile>
   <surface>
      <graphic url="name.png"/>
         <zone type="page">
            <zone type="column">
               <zone type="line">
                  <zone type="word">
                     <zone type="character"/>
                     <zone type="character"/>
                     ...

Par exemple :

Oriflamms.exe : en-tête du fichier de coordonnées dans le dossier /zones/
Oriflamms.exe : en-tête du fichier de coordonnées dans le dossier /zones/
Oriflamms.exe : coordonnées d'alignement au niveau surface > page > colonne > ligne > mot > caractère
Oriflamms.exe : coordonnées d’alignement au niveau surface > page > colonne > ligne > mot > caractère

3.4 img_links

Le dossier « img_links » contient les fichiers de liens entre les zones délimitées en coordonnées de pixel sur l’image, d ‘une part, et le texte, d’autre part.

Oriflamms.exe, dossier img_links
Oriflamms.exe, dossier img_links

Les fichiers sont nommés par convention par la concaténation des éléments suivants :

  • nom du corpus (e.g. « PsautierIMS »)
  • nom du fichier décrivant les zones sur l’image (e.g. « surf_PsautierIMS »)
  • underscore « _ »
  • nom de l’image sans l’extension de format (e.g. « 591786101_MS0182_0067 »)
  • suffixe « -links »
  • extension de format « .xml »

Les fichiers eux-mêmes se présentent comme suit :

Oriflamms.exe : en-tête d'un fichier du dossier /img_links/
Oriflamms.exe : en-tête d’un fichier du dossier /img_links/
Oriflamms.exe : fichier du dossier /img_links/ montrant les liens entre pages, colonnes, lignes, mots et parties de mot
Oriflamms.exe : fichier du dossier /img_links/ montrant les liens entre pages, colonnes, lignes, mots et parties de mot
Oriflamms.exe : fichier du dossier /img_links/ montrant les liens au niveau des caractères
Oriflamms.exe : fichier du dossier /img_links/ montrant les liens au niveau des caractères

3.5 Autres fichiers

Dans l’implémentation de notre logiciel, il y a trois dossiers supplémentaires :

  1. ontologies
  2. ontologies_links
  3. oriflamms

Le dossier « ontologies » permet de stocker les déclaration des différentes classifications des caractères.

Le dossier « ontologies_links » établit les liens entre les identifiants des caractères (<c> et <pc>) avec les déclarations de types de caractères dans le dossier « ontologies ».

Le dossier « oriflamms » est un dossier où le logiciel stocke des fichiers nécessaires à l’alignement.


Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *