TEI TEI. I marcatori. Sintassi dei marcatori. Tei: macrostruttura 21/03/17

Dimensione: px

Iniziare la visualizzazioe della pagina:

Download "TEI TEI. I marcatori. Sintassi dei marcatori. Tei: macrostruttura 21/03/17"

Massimo Santi
5 anni fa
Visualizzazioni

1 Lez. 7 TEI TEI Text Encoding Initiative La Text Encoding Initiative è un progetto internazionale che ha visto coinvolte le maggiori organizzazioni internazionali dedicate all'informatica Umanistica 21/03/17 I marcatori I marcatori sono delle parole-chiave delimitate da parentesi uncinate <> Ogni marcatore è quindi costituito da nome elemento + parentesi uncinate <paragrafo> I marcatori vanno sempre in coppia, uno in apertura e uno in chiusura <paragrafo> bla bla bla </paragrafo> Sintassi dei marcatori Nome elemento Indicatore di chiusura <nome>contenuto dell elemento</nome> Delimitatori Tei: macrostruttura Tutti i testi conformi alla TEI contengono: una testata TEI <teiheader>, da considerarsi il frontespizio del documento elettronico; una trascrizione del testo vero e proprio marcata con l'elemento <text>. 1

2 Macrostruttura del testo La macrostruttura del testo Come già detto ogni testo unitario deve iniziare con l'elemento obbligatorio <text>. Esso è composto a sua volta da tre elementi di livello inferiore: <front>: contiene tutti i materiali di tipo avantestuale, che introducono il testo nelle edizioni a stampa, dalla pagina del titolo, al frontespizio, ad introduzioni, dediche, prefazioni, etc.; <body>: contiene il testo vero e proprio, il suo corpo; <back>: contiene tutti i materiali peritestuali che possono essere rinvenuti nelle pagine finali di un testo stampato, postfazioni, glossari, indici, etc. La macrostruttura di un testo è la seguente: <text> <front> [materiali peritestuali iniziali] </front> <body> [testo] </body> <back> [materiali peritestuali finali] </back> </text> Tei Header L intestazione elettronica TEI contiene informazioni analoghe a quelle contenute nel titolo della pagina di un testo stampato: documentazione della responsabilità editoriale, dati bibliografici, metodologie adottate per la codifica, etc Contenuti del TeiHeader Una corretta documentazione del testo elettronico dovrebbe prevedere le seguenti informazioni: individuazione del testo elettronico attraverso le sue determinazioni bibliografiche: titolo, autore, luogo e data di edizione, etc.; certificazione della responsabilità del testo, anche quando la codifica ha avuto diversi responsabili; indicazione della fonte; documentazione accurata delle metodologie di rappresentazione dei vari fenomeni testuali, delle scelte teoriche che permettano di interpretare correttamente i simboli usati nella codifica del testo, delle eventuali modifiche o correzioni introdotte rispetto alla fonte. Struttura del TeiHeader L elemento <TEIheader> è a sua volta suddiviso in: <filedesc>: contiene la descrizione bibliografica del documento e della sua fonte; <encodingdesc>: contiene la descrizione delle scelte fatte nella codifica del testo; <profiledesc>: contiene una serie di informazioni accessorie che caratterizzano il testo (revisioni, etc.); <revisiondesc>: contiene la documentazione relativa ai diversi interventi di codifica. Gli elementi 2

3 Strutture XML: gli elementi I componenti strutturali di un documento sono denominati elementi (element) Ogni nodo dell albero del tipo di documento è un (tipo di) elemento Ogni (tipo di) elemento è dotato di un nome (detto identificatore generico) che lo identifica Strutture XML: gli elementi Esiste un (e uno solo) elemento, detto elemento radice (corrispondente al nodo radice dell albero), che non è contenuto da nessun altro e che contiene direttamente o indirettamente tutti gli altri Ogni elemento, escluso l elemento radice, deve essere contenuto da un solo elemento (elemento padre) e può contenere altri sotto-elementi (elementi figli) e/o stringhe di caratteri Esiste un sottoinsieme di elementi che non contengono altri elementi e che possono essere vuoti contenere esclusivamente stringhe di caratteri Strutture XML: gli attributi A ogni elemento possono essere associati uno o più attributi (attribute) che ne specificano ulteriori caratteristiche o proprietà non strutturali. Ad esempio: il tipo rispetto a una data tassonomia la lingua del suo contenuto testuale un identificatore univoco un numero di ordine etc. Strutture XML: gli attributi Gli attributi XML sono caratterizzati da un nome che li identifica un valore Il valore di un attributo può avere un tipo esplicitato nella DTD Se un documento XML è solo ben formato, tutti i valori degli attributi sono di tipo CDATA Bibliografia Ciotti F. (a cura di), Il manuale TEI lite. Introduzione alla codifica elettronica dei testi letterari, Sylvestre Bonnard, 2005 TAPoR Text Analysis Portal for Research 3

Cos è Tapor Si tratta di un analizzatore testuale che prevede 3 set

testo semplice (plain text) File HTML File XML Il progetto nasce

McMaster University University of Alberta Université de Montreal

Victoria Un problema spinoso Il formato dei file riconosciuti da un

di file con estensione TXT (plain text) Tact legge solo formati

consigliabile salvare il file come testo normale.

4 Cos è Tapor Si tratta di un analizzatore testuale che prevede 3 set di strumenti per altrettante tipologie di file testuali File di testo semplice (plain text) File HTML File XML Il progetto nasce come collaborazione tra 6 università Le 6 università canadesi McMaster University University of Alberta Université de Montreal University of New Brunswick University of Toronto University of Victoria Un problema spinoso Il formato dei file riconosciuti da un analizzatore testuale è vario e non standard Generalmente si tratta di file con estensione TXT (plain text) Tact legge solo formati MS-DOS, TAPoR tutte le tipologie di plain text Salvare il file È consigliabile salvare il file come testo normale.txt, in formato Unicode UTF-8 Selezionare l opzione inserisci interruzioni di riga con separatore solo ritorno a capo 4

Muoversi in Tapor Il programm a si può occupare da solo di sostituire i I caratteri non compatibili tra il set utilizzato da

file lunghi le operazioni possono richiedere molto tempo, dipendentemente dalla macchina e dalla connessione a Internet Lista di

inverso, di frequenza, di ordine di comparsa) 2.

BOX DI SELEZIONE PER L OPZIONE LIST WORDS Qui si inserisce il file.

5 Muoversi in Tapor Il programm a si può occupare da solo di sostituire i I caratteri non compatibili tra il set utilizzato da Office e le tabelle Ascii Tre tipologie di testi analizzabili (TXT, HTML, XML) Diversi strumenti per le diverse tipologie Su file lunghi le operazioni possono richiedere molto tempo, dipendentemente dalla macchina e dalla connessione a Internet Lista di frequenze Concordanza Collocazioni Collocazioni dx/sx Clusters Estrattore di date Distribuzione Analisi plain text: gli strumenti 1. List words (elencazione delle parole): elenca tutte le parole presenti nel testo, ordinandole in 4 modi (alfabetico diretto ed inverso, di frequenza, di ordine di comparsa) 2. Find text (ricerca del testo): è lo strumento di concordanza per cercare parole, frasi o righe di testo (NON è case sensitive) BOX DI SELEZIONE PER L OPZIONE LIST WORDS Qui si inserisce il file.txt da analizzare Selezionare l opzione All words per ottenere la lista di frequenze Accertarsi completa di lasciare selezionata l opzione di ordinamento per Flaggare la casella frequenza per visualizzare i risultati in una nuova Tasto per avviare scheda del browser l elaborazione I punti interrog ativi aprono altrettan te finestre di aiuto BOX DI SELEZIONE PER L OPZIONE LIST WORDS contest uale 5

list È una lista di parole che verranno escluse

vuote (con l eccezione dell analisi per clusters)

caratteri sono inutili ai fini della ricerca, e

delle ricerche RISULTATO INTERROGAZIONE 1 NOVELLA

6 RISULTATO INTERROGAZIONE SUL 1 CAP. PROMESSI SPOSI ORDINAMENTO ALFABETICO Stop word list È una lista di parole che verranno escluse dall analisi Normalmente sono numeri e parole vuote (con l eccezione dell analisi per clusters) Articoli, congiunzioni, proposizioni, singoli caratteri sono inutili ai fini della ricerca, e potrebbero causare anche errori nella pertinenza delle ricerche RISULTATO INTERROGAZIONE 1 NOVELLA DECAMERON STRUMENTO FIND TEXT - CONCORDANZA CONCORDANZA PER LA PAROLA ABBONDIO 6

L INDICE Può essere considerato un caso particolare di concordanza senza contesto È una lista delle parole contenute in un testo (o corpus) accompagnata dai riferimenti ai luoghi in cui è possibile

7 L INDICE Può essere considerato un caso particolare di concordanza senza contesto È una lista delle parole contenute in un testo (o corpus) accompagnata dai riferimenti ai luoghi in cui è possibile rintracciare le singole parole In genere è ordinato alfabeticamente in forma ascendente (A-Z) La lemmatizzazione Le forme che otteniamo dalle liste viste finora sono per lo più flesse Ci sono quindi vari tempi dei verbi, maschili e femminili, singolare e plurale, enclitiche, e così via Lemmatizzare significa riportare le diverse forme sotto un unico lemma (entrata di vocabolario) e ricostruire quindi un dizionario del testo Pro e Contro Nel modo lemmatizzato il vantaggio è la facilità di consultazione, lo svantaggio è la distanza che si crea tra il lemma e la parola (rischio di perdita di informazione). Nel modo non-lemmatizzato il vantaggio è la perfetta aderenza dello spoglio con le parole usate nel testo, lo svantaggio una difficoltà di consultazione. Lessici di frequenza Sono delle liste lemmatizzate organizzate in ordine di frequenza decrescente In genere applicati a grandi corpora testuali Servono ad individuare le principali fasce d uso dei lessemi Didattica delle lingue, lessicologia statistica, dizionari macchina L indice lemmatizzato Si tratta di una variazione dell indice classico È sostanzialmente un piccolo vocabolario dell opera in analisi, nel senso proprio del termine Come il suo progenitore in genere è ordinato alfabeticamente in forma ascendente (A-Z) 7

8 Bibliografia Chiari, Isabella, Introduzione alla linguistica computazionale, Laterza, Bari 2007 Lenci, A., Montemagni, S., Pirrelli V., Testo e computer. Elementi di linguistica computazionale, Roma, Carocci 2005 Herdan Gustav, Linguistica quantitativa, Bologna, Il Mulino,

Documenti analoghi

Introduzione alla codifica XML per i testi umanistici

Introduzione alla codifica XML per i testi umanistici Daniele Silvi, Domenico Fiormonte, Fabio Ciotti fiormont@uniroma3.it - silvi@lettere.uniroma2.it - ciotti@lettere.uniroma2.it La digitalizzazione dei