Par Alexandra Mestivier (Volanschi)

Moyen d’encoder de l’information afin de la stocker sur l’ordinateur.

• images uniquement : .jpg, .png, etc
• formats de fichiers textuels
  • sans aucun formatage : .txt, uniquement des caractères textuels ordinaires
  • formatés

Fichiers formatés :

• .doc : format propriétaire (Microsoft)
• .rtf : format propriétaire (Microsoft) : lisible, inter-opérable
• .odt (Open Format Document) : logiciel libre, sources disponibles
• .html, .xml : langages à balises
• .pdf : format propriétaire (Adobe Systems), même si ouvert ; préserve polices, images, graphiques et la mise en forme

Démonstration : comparaison entre les documents de type .txt, .doc, .html, .rtf, .odt

Observer la taille des documents

Pour plus de détails, voir les commentaires de l'équipe informatique

• Fichiers texte : contenu pouvant être interprété comme du texte. Suite de caractères d’un ensemble donné.
  • en codage ASCII ou une extension de ASCII (UTF-8, UTF-16 ou extension régionale). Exemples : fichiers .xml ; .txt
• Le contenu d'un fichier binaire n'est pas du texte et correspond souvent à un format précis.
  • fichier exécutable ;
  • fichier de base de données structuré en enregistrements de taille fixe ou variable ;
  • documents de traitements de texte ;
  • fichiers multimédias : images, sons, vidéos.

Associations entre caractères et un ‘code’ afin de faciliter le stockage et le transfert des fichiers.

• Exemples d’encodage :
  • le code Morse
  • le code ASCII : encode des lettres, numéraux (1963 : alphabet anglais). Très limité → extensions afin de couvrir d’autres systèmes d’écriture.
  • approche systématique : Unicode (norme d’encodage) : tous les systèmes d’écriture (100.000 caractères) → permet le mélange de langues
    • UTF-8 (8-bit UCS/Unicode Transformation Format) un format d’encodage pour Unicode

• US-ASCII (1967): American Standard Code of Information Interchange
  • 7 bits (128 codes) 98 signes définis
• ISO 8859 (1987) : International Standards Organization
• 8 bits (256 codes) 191 signes définis
  • ISO 8859-1 : Europe le l’Ouest
  • 8859-2 : Latin 2, Europe de l’Est
  • 8859-3 : Latin 3, Europe du Sud Est
  • 8859-4 : Latin 4, Scandinavie, Baltique
  • 8859-5 : cyrillique
  • 8859-6 : arabe
  • 8859-7 : grec, etc

• CORPUS_NOM_PRENOM/
  • CORPUS_NOM_PRENOM/ANGLAIS/
    • CORPUS_NOM_PRENOM/ANGLAIS/JDOE_2005.txt
    • CORPUS_NOM_PRENOM/ANGLAIS/JDOE_2005_a.txt
    • CORPUS_NOM_PRENOM/ANGLAIS/DFOO_2007.txt
  • CORPUS_NOM_PRENOM/ALLEMAND/
  • CORPUS_NOM_PRENOM/FRANCAIS/
  • Erreur : CORPUS_NOM_PRENOM/FRANÇAIS/

La référence de chaque fichier doit apparaître sur la première ligne de chaque texte ! (Droits d’auteurs)

Comment citer la source ?

• Quels champs indiquer pour chaque type de document ? (JabRef) :
• Article : Auteur|Auteur et al. (2008). Titre. Revue, Vol, No., pages
• Site web : Titre, (Auteur|institution), Url (localisation), date de consultation.
• Livre : Auteur|Auteur et al. (2008). Titre. Maison d’édition (collection)

• Thèse de doctorat : Auteur.(2008). Titre. École. (directeur de recherche)
• Actes de colloque : Auteur(2008). Titre. Conférence (Date, Lieu), pages ou URL.

Démonstration : comment stocker les fichiers constituant son corpus ?

• Portable Document Format, créé par Adobe Systems (sur les fondements du Postscript)
• préserve la mise en forme (polices, images, objets graphiques…) quelles que soient l'application et la plateforme → très utilisé dans l'édition !
• PDF est un format ouvert (Adobe Systems autorise des programmes tiers à réutiliser son format), mais se réserve la propriété de nombreux brevets déposés et donc le droit de demander des redevances.
• les spécifications sont publiques et utilisables librement et gratuitement (à l'exception de quelques très importantes sociétés commerciales).

• Si aucun autre format n’est pas disponible (vérifier, écrire des mails, etc !!):
• Utiliser les logiciels OCR. Exemple : Omnipage ; démonstration.
• Utiliser la version démo de Acrobat 8 Professional (30 jours seulement!) ; démonstration.
• Vérifier l’intégrité du texte extrait (surtout lorsqu’il s’agit de texte en colonnes, avec images).

alexandra.volanschi@eila.univ-paris-diderot.fr

Alexandra Mestivier (Volanschi)