Outils pour utilisateurs
Panneau latéral
Table des matières
Projets de corpus exemples
A. Tour du monde en 80 jours de Jules Verne
Sources
Le fac-similé est disponible : https://fr.wikisource.org/wiki/Fichier:Verne_-_Le_Tour_du_monde_en_quatre-vingts_jours.djvu.
3 éditions numériques sont disponibles sous licence ouverte.
Wikisource
https://fr.wikisource.org/wiki/Le_Tour_du_monde_en_quatre-vingts_jours/Texte_entier → transformé en XML-TEI avec OxGarage.
Github
https://github.com/oeuvres/verne/blob/gh-pages/verne_tour-du-monde.xml → nativement TEI.
TLN/LI Tours
http://tln.li.univ-tours.fr/Tln_Corpus80jours.html → augmenté de <s> et <name> (entités nommées) calculés avec Unitex.
État courant
Les trois versions ont été déposées dans smb://ensldfs.ens-lyon.fr/services/Laboratoires/labo_ana_corpus/Projets/Textométrie/SpUV/JulesVerne/TDM80J. Un fichier import est déjà préparé pour XML/w+CSV.
Comparaison
J'ai comparé l'usage des balises TEI des 3 fichiers avec la macro XMLStatistics :
TDM 80 jours TLN/LI Wikisource Github TOTAL anchor 225 225 author 1 1 2 authority 7 7 availability 1 1 2 bibl 1 1 body 1 1 1 3 cell 27 27 creation 1 1 2 date 4 1 5 div 37 42 37 116 edition 1 1 editionStmt 1 1 2 figure 4 4 fileDesc 1 1 2 filedesc 1 1 graphic 56 56 head 41 37 78 hi 242 203 445 item 70 70 language 1 1 2 langUsage 1 1 2 lb 76 37 113 list 4 4 name 3345 1 3346 note 1 1 2 p 4390 2107 1996 8493 profileDesc 1 1 2 publicationStmt 1 1 1 3 publisher 1 1 ref 51 1 52 resp 3 1 4 respStmt 3 1 4 row 9 9 s 4390 4390 sourceDesc 1 1 2 table 1 1 TEI 1 1 1 3 teiHeader 1 1 1 3 text 1 1 1 3 title 1 1 2 titleStmt 1 1 1 3 w 358 358 TOTAL 25098 5938 4666 35702
Synthèse
Chaque version contient des balises ou tokens intéressants qui lui sont propres. Il serait intéressant de construire une version qui contient tout ce qui est utile, puis d'y ajouter des <pb/> pour pouvoir produire une édition synoptique avec fac-similé.
Pour l'instant je réfléchis à une stratégie d'intégration de certaines balises d'au moins deux fichiers sources : pour récupérer au moins les <div>+<head>, <p>, <name>+<s>, <graphic>, etc.
Je vois deux workflow possibles :
- xmldiff → script del+ins+change (=xml-patch) basé sur des balises XML → généralisation pour intégration de certaines balises dans une autre version
- tokenization TXM + token-diff → script del+ins+change au niveau token → généralisation du niveau des tokens pour projeter ensuite certaines structures à récupérer
Tant que ce chantier n'a pas abouti, on peut déjà utiliser une des trois versions au choix comme corpus exemple et comme corpus de test (recettes). À défaut, je recommande d'utiliser la version Github.
La version Wikisource contient plus de tokens. J'ai commencé à y encadrer les contenus annexes (hors texte de l'oeuvre lui-même par rapport aux autres versions) dans des sections front et back.
B. Construction d'un corpus des oeuvres de Jules Verne
Wikisource propose plusieurs oeuvres intéressantes : http://fr.wikisource.org/wiki/Auteur:Jules_Verne
Par exemple “Vingt mille lieues sous les mers” se trouve ici : http://fr.wikisource.org/wiki/Vingt_mille_lieues_sous_les_mers
Plusieurs formats sont disponibles :
- le format epub (epub2 ou epub3) semble le plus travaillé : http://wsexport.wmflabs.org/tool/book.php?lang=fr&format=epub&page=Vingt_mille_lieues_sous_les_mers
Format EPUB
Outils
Outils EPUB
- Calibre sait convertir EPUB en HTML (conversion HTMLZ: le ZIP contient un fichier HTML unique)
- epub-tools offre une API Java au format EPUB et offre quelques applications comme la conversion TEI→EPUB
- <oXygen/> sait lire un fichier EPUB : http://www.oxygenxml.com/xml_editor/epub.html
Outils HTML
- Tidy sait convertir du HTML en XHTML:
tidy -asxhtml -numeric -utf8 -o vingt_mille.xhtml index.html
- LibreOffice Writer sait lire du HTML et le sauver en ODT
Outils XHTML
- OxGarage sait convertir XHTML en XML TEI P5
- LibreOffice Writer sait lire du XHTML et le sauver en ODT
Outils DOCX / ODT
- Odette sait convertir du ODT en TEI ou HTML
- LibreOffice Writer sait lire du DOCX et le sauver en ODT ou HTML
Outils TEI
