XML

1
XML

• Amalia Todirascu-Courtier
• todiras_at_umb.u-strasbg.fr

2
Corpus éléctroniques

• Données linguistiques en format numérique en
  grande quantité
• Besoin de
• Structurer l'information, pour faciliter
  l'accessibilité
• Présenter l'information, pour faciliter la
  navigation et la consultation
• Intégration des divers sources d'information
• Reutilisation des données
• Textes structure, contexte et interpretation
• gt Annoter pour faciliter l'interpretation

3
SGML XML

• Un langage structuré pour annoter les documents
• SGML (Standard Generalized Markup Language)
  pour annoter les corpus
• Proposé par Text Encoding Initiative (TEI)
  http//www.tei-c.org/
• HTML présentation structurée des documents
• XML annotation du contenu du document
• HTML et XML normes définies par le World Wide
  Web consortium (W3C) http//www.w3c.org
• XHTML le langage du Web

4
HTML

• HTML Hyper Text Markup Language
• 1990 sur les ordinateurs du CERN
• Aujourdhui, les mises à jour du langage sont
  faites par le W3C (World Wide Web Consortium
  http//www.w3.org)
• Actuellement, version 4.01
• Langage de description de documents
• Permet de spécifier lapparence dun document

5
Notion de balise

• Une balise permet de distinguer un document HTML
  dun fichier texte
• Les balises sont insérées dans le corps du
  document
• Elles permettent de contrôler le formatage et la
  présentation dun document
• Mise en forme des paragraphes, insertion
  dimages, insertion de liens hypertexte, tableaux
  
• Quatre balises sont obligatoires dans un document
  HTML
• lthtmlgt, ltheadgt, ltbodygt, lttitlegt

6
Notion de balise (II)?
 
 

• Une balise est encadrée par ltgt et peut avoir
  aussi une balise de fin lt/gt
• Les balises peuvent être imbriquées mais elles
  doivent être fermées dans lordre inverse des
  balises douverture
• Par exemple
• ltfont size"1"gtltbgtltigttextelt/igtlt/bgtlt/fontgt

7
Notion de balise (III)?

• Une balise peut avoir trois formes
• ltnombalisegt
• ltbrgt passage à la ligne
• ltnombalisegt lt/nombalisegt
• ltbgttexte à mettre en graslt/bgt
• ltnombalise attribut1"valeur_1"
  attributn"valeur_n"gt
• texte
• lt/nombalisegt
• ltbody bgcolor"80fff" text"red"gt
• le fond de la page sera de couleur bleu clair

8
Notion de balise (IV)?

• Où trouver la définition de chaque balise et de
  ses attributs?
• http//www.w3.org, suivre le lien "HTML"
• Validation du code html
• http//validator.w3.org/

9
Architecture dun fichier HTML

• Deux parties sont obligatoires
• Lentête
• Informations générales sur le document
• Renseigne sur le contenu
• Contient le titre de la page
• Sert aux moteurs de recherche pour lindexation
  des pages
• Précède toujours le corps du document
• Le corps
• Contient le texte du document avec les balises de
  mise en forme, les liens vers dautres documents,
  les images ? ce qui est affiché à lécran par
  le navigateur
• Les navigateurs ont besoin de ces deux parties
  pour pouvoir interpréter le document

10
Un document HTML

• lt!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01
  Transitional//EN "http//www.w3.org/TR/html4/loos
  e.dtd"gt
• lthtmlgt
• ltheadgt
• lttitlegtNom de la pagelt/titlegt
• lt/headgt
• ltbodygt
• lth1gt Un titre lt/h1gt
• Texte du document
• lt/bodygt
• lt/htmlgt

11
Catégories de balises HTML

• Mise en forme
• ltBgt - gras
• ltIgt - italique
• ltFONTgt - police, taille
• structuration
• ltPgt - paragraphe
• ltA HREF"url"gt - lien vers un autre document
• ltOLgt, ltULgt - listes
• ltTABLEgt - tableau

12
Limites du HTML

• la liste de balises et des attributs est fermée
• pas de possibilité de définir ses propres balises
• les balises permettent la mise en forme ou la
  structuration, mais nous n'avons pas acces au
  contenu

13
Pourquoi XML?

• Structurer l'information
• Identification du contenu des données
• Structure hiérarchique des documents
• Format simple (fichier texte)
• Accessibilité
• divers types de présentation de données (XSL)
• Liens avec dautres documents
• interopérabilité des données
• re-utiliser les XML dans d'autres applications
• possibilité de vérifier si le document est
  valide DTD, XML schémas
• définitions partagées

14
Les balises XML

• La balise un élément qui marque un segment de
  texte
• Transparent à l'utilisateur
• Traitement automatique du document (indexation,
  recherche optimisée d'information)
• Les balises HTML pour la présentation des
  documents
• Les balises XML pour l'identification des
  éléments pertinents pour le contenu du document

15
Quelques exemples de balisage XML

• ltpersonnegtGoriotlt/personnegt payait encore
  ltloyergtdouze cents francslt/loyergt de pension.
• Sur le tapis, sur les meubles de sa chambre
  d'hôtel, à ltvillegtBrightonlt/villegt, s'étalaient
  ltjournalgtle Timeslt/journalgt, ltjournalgtle Daily
  Telegraphlt/journalgt, ltjournalgtle Daily
  Newslt/journalgt. Dix heures sonnaient à peine, et
  le docteur avait eu le temps de faire le tour de
  la ville, de visiter un hôpital, de rentrer à son
  hôtel et de lire dans ltjournalgtles principaux
  journaux de ltlieugtLondreslt/lieugt lt/journalgtle
  compte rendu in extenso d'un ltarticlegtmémoire
  qu'il avait présenté l'avant-veille ltcongresgtau
  grand Congrès international d'Hygiènelt/congresgt,
  sur un ltthemegt compte-globules du sang
  lt/themegt dont il était l'inventeurlt/articlegt.

16
Les balises XML (II)

• Syntaxe
• ltnom_balisegttextelt/nom_balisegt
• ltnom_balise/gt - la balise vide
• ltnom_balise attr1 "val1" ... attrn"valn"gttextelt/
  nom_balisegt
• Règles de syntaxe
• Plusieurs balises imbriquées possibles
• Toujours une balise ouverte doit être fermée
• Les balises XML sont définies par l'utilisateur
  (en fonction de l'application)

17
Les élements XML

• Un élément XML les balises la séquence de
  texte qui a été balisée
• Un élément XML peut contenir d'autres éléments
  XML
• Structure hiérarchique du XML
• Une balise peut contenir des attributs avec leurs
  valeurs
• Un choix de l'utilisateur de définir des
  sous-éléments ou des attributs

18
Comment décider entre un élément et un attribut
XML?

• Définir plutôt des éléments
• Quand les données sont structurées
• Quand le texte encadré par les balisés est long
• Quand les données changent souvent
• Définir plutôt des attributs
• Texte de petite taille
• Liste de valeurs prédefines
• Visibilité plutôt des éléments
• Container- Contenu éléments
• Définir des attributs ou des élements en fonction
  de l'application

19
Exemple

• ltpersonne name jeangtJean a achété
• ltvoiture couleur bleu  type peugeot206 gtune
  Peugeot 206 bleuelt/voituregt pour ses
• ltage value32gt32 anslt/agegt
• lt/personnegt
• DTD
• ltELEMENT! personne (voitureage)/gt
• ltATTLIST personne name (PCDATA)/gt
• ltELEMENT! agegt
• ltATTLIST age value (PCDATA) /gt
• ltELEMENT! voituregt
• ltATTLIST voiture couleur (PCDATA) type (PCDATA)/gt

20
La structure d'un document XML

• La premiere ligne
• lt?xml version"1.0"?gt
• lt?xml version"1.0" encoding"ISO-8859-1"
  standalone"yes"?gt
• Une suite d'élements XML prédéfinis par
  l'utilisateur
• Commentaires lt!-- This is a comment --gt

21

• représenter les éléments du document comme un
  arbre
• chaque noeud est un élément XML
• Un noeud peut avoir des noeuds enfants texte ou
  éléments XML
• les noeuds sans enfants sont représentés sur une
  seule ligne

22
Document Type Definition (DTD)

• Un fichier externe qui contient les définitions
  des utilisateurs (éléments et entités XML)
• Référence à la DTD dans le prolog du document
  XML
• lt!ELEMENT slideshow (slide)gt
• lt!ELEMENT slide (title, item)gt
• lt!ELEMENT title (PCDATA)gt
• lt!ELEMENT item (PCDATA item) gt

23
Outils pour interpréter XML

• Outils pour vérifier si le document est valide
  (par rapport à la DTD et au XML schéma)
• Xerces (Java, C, Perl)
• JAXB
• on peut utiliser le modèle DOM ou SAX
• DOM Data Object Model
• SAX Simple API for XML

24
Liens utils

• Java Web Services Developper Packaging Tutorial
  (http//java.sun.com)
• http//www.apache.org (parseurs XML disponibles
  dans plusieurs languages - Xerces)
• http//www.w3c.org (specifications de XML)

25
Le langage XSLT

• Extended Stylesheet Transformation Language
• Le principe de feuille de style les mêmes
  données, mais présentées différement
• Un vrai langage de transformation
• Présentation des données en XML sous forme HTML
• Extraction seulement des textes annotés
• Des règles de trasformation qui s'appliquent sur
  la structure arborescente d'un arbre XML

26
Un programme XSLT

• Un document XML qui contient des instructions
  XSLT
• La structure du programme XSLT
• lt?xml version"1.0" encoding"iso-8859-1"?gt
• ltxslstylesheet version"1.0" xmlnsxsl"http//ww
  w.w3.org/1999/XSL/Transform"gt
• ...
• lt/xslstylesheetgt

27
Les règles XSLT

• Sélectionner et modifier les éléments XML
• La règle xsltemplate s'applique à un élément XML
• L'attribut match cherche l'élément avec un nom
  donné
• La règle apply-templates s'applique sur les
  enfants du noeud
• ltxsltemplate match"voiture"gt
• ltAutogt ltxslapply-templates/gt lt/Autogt
• lt/xsltemplate gt

28
Les règles XSLT (II)

• ltxslcopygt - une copie de l'élément courant dans
  le fichier résultat
• ltxslelementgt - créer un nouveau élément dans le
  fichier résultat
• Structures conditionnelles ltxslifgt
• Boucle ltxslfor-eachgt - applique le même
  traitement à chaque noeud
• ltxslvalue-of selectnom_attributgt

29
Exemples

• ltxsltemplate match"Order"gt
• Order is ltxslvalue-of select"_at_Name"/gt
• ltxslapply-templates select"Family"/gtltxsltextgt
• lt/xsltextgt
• lt/xsltemplategt
• Sortie Order is GAVIIFORMES
• ltxsltemplate match"Species"gt
• ltxslchoosegt
• ltxslwhen test"name(..)'SubFamily'"gt
• ltxslvalue-of select"."/gtltxsltextgt
  lt/xsltextgtltxslvalue-of select"_at_Scientific_Name"
  /gt
• lt/xslwhengtlt/xslchoosegt
• lt/xsltemplategt

30
Exemples (II)

• ltxsltemplate match"person"gt ltpgt ltxslvalue-of
  select"_at_given-name"/gt ltxsltextgt lt/xsltextgt
  ltxslvalue-of select"_at_family-name"/gt lt/pgt
  lt/xsltemplategt
• Sortie
• ltpgt
• Jean
• Martin
• lt/pgt

31
Conclusion

• XML un language universel
• Des outils de traitement de XML disponibles en
  plusieurs langages
• Des définitions partagées (DTD)
• XSLT un langage simple mais puissant pour
  extraire les données
• XML adapté pour la représentation des corpus
  linguistiques