Version classiqueVersion mobile
OpenEdition Books

Qu’est-ce que la Text Encoding Initiative ?

 | 
Lou Burnard

Variété des structures textuelles

Texte intégral

1Pour la TEI, les textes et leurs divisions peuvent contenir un éventail assez limité de composants « structurels ». Ceux-ci incluent les en-têtes et matériaux préliminaires au début ou à la fin d’une division, et un certain nombre de composants de base qui sont caractéristiques de la prose, des vers ou des textes dramatiques. La prose, pour l’essentiel, consiste en des paragraphes ou des listes, marqués en utilisant les éléments <p> ou <list> respectivement. Les vers consistent en des lignes de vers, marquées à l’aide de l’élément <l>, ou des séquences de lignes de vers marquées à l’aide de l’élément <lg> (pour « line group », ou groupe de lignes). Dans les textes dramatiques, un composant additionnel est offert sous la forme de l’élément <sp> (« speech »), qui combine un élément <speaker> (locuteur) avec un ou plusieurs éléments <p> ou <l>, selon que la pièce est en vers ou en prose.

Un article de revue

2Le corps d’un article scientifique, par exemple, pourrait être encodé à l’aide d’une structure comme celle-ci :

<body xml:lang="fr">
     <div type="section">
         <head>Introduction</head>
         <p>Nous recommandons l’utilisation du balisage TEI pour représenter la prose scientifique. Il présente un certain nombre d’avantages pratiques :</p>
         <list>
             <item>Le balisage TEI est facile à ajouter ;</item>
             <item>Le balisage TEI est largement compris ;</item>
             <item>Le balisage TEI est facile à convertir en d’autres formats.</item>
         </list>
         <p>Le balisage TEI présente aussi certains avantages scientifiques, que nous discuterons dans la section <ptr target="#SEC3"/>.</p>
         <!-- ici les paragraphes d’introduction suivants -->
     </div>
     <div type="section">
         <head>Origines de la TEI</head>
         <p>La Text Encoding Initiative est née en 1987…</p>
         <!-- ici plein d’autres paragraphes -->
     </div>
     <div xml:id="SEC3">
         <head>Propriétés scientifiques du balisage TEI</head>
         <p>Le balisage TEI exprime une vision de la nature du texte…</p>
         <!-- ici plein d’autres paragraphes -->
     </div>
</body>

3Notez que cet encodage indique seulement l’organisation du document. Il ne dit rien de la façon dont il doit être visualisé sur écran ou sur papier. Il indique qu’il y a des sections qui ont des titres et qui contiennent des paragraphes et des listes. Il distingue les items dans la liste, mais il ne précise pas s’ils doivent être précédés d’une puce, d’un tiret ou d’un numéro. L’élément <ptr> indique l’existence d’un renvoi d’une partie du document (l’emplacement de l’élément <ptr >) vers une autre (l’élément <div> intitulé « Propriétés scientifiques… »). La valeur de l’attribut @xml:id présenté ci-dessus indique la cible du renvoi, mais il ne précise pas s’il doit être matérialisé par un lien HTML, ou l’ajout de texte (le numéro de section par exemple), ou les deux. Bien entendu, il est facile d’imaginer comment nous pourrions visualiser ces composants du document en utilisant un langage de formatage comme Word, HTML ou LaTex, mais ce n’est pas le but principal de ce balisage. Parce que ces aspects ne sont pas spécifiés dans l’encodage, le même document peut être réutilisé dans différents contextes de traitement.

Un texte poétique

4Notre deuxième exemple montre un fameux sonnet shakespearien, transcrit d’après une copie imprimée spécifique :

<lg type="sonnet">
     <head>130</head>
	 <l>My Mistres eyes are nothing like the Sunne,</l>
	 <l>Currall is farre more red, then her lips red,</l>
	 <l>If snow be white why then her brests are dun:</l>
	 <l>If haires be wiers, black wiers grow on her head:</l>
	 <l>I have seene Roses damaskt, red and white,</l>
	 <l>But no such Roses see I in her cheekes,</l>
	 <l>And in some perfumes is there more delight,</l>
	 <l>Then in the breath that from my Mistres reekes.</l>
	 <l>I loue to heare her speake, yet well I know.</l>
	 <l>That Musicke hath a farre more pleasing sound:</l>
	 <l>I graunt I never saw a goddesse goe,</l>
	 <l>My Mistress when she walkes treads on the ground.</l>
	 <lg type="couplet">
	     <l>And yet by heaven I thinke my love as rare,</l>
		 <l>As any she beli’d with false compare.</l>
     </lg>
</lg>

5Là encore, ce balisage ne capture que la structure du sonnet, en indiquant les lignes de vers individuelles qui le composent, et en marquant explicitement le couplet à la fin. Parce que les lignes individuelles sont distinguées dans l’encodage, plutôt que d’être traitées comme si elles étaient des paragraphes, ou des accidents de formatage, une analyse métrique du poème peut être générée automatiquement.

6En comparant ceci avec l’image numérique de la source originelle ci-dessous, nous pouvons voir que, bien que l’orthographe d’origine ait été conservée, cet encodage a choisi d’ignorer certaines caractéristiques de la mise en page comme l’usage de lettrines ou l’indentation associée au couplet. Il a conservé l’orthographe d’origine, mais silencieusement modernisé certaines des variations typographiques, comme le S long ou les ligatures.

Figure 1. Sonnet 130 des Shakespeares Sonnets. Neuer before Imprinted (1609)

Figure 1. Sonnet 130 des Shakespeares Sonnets. Neuer before Imprinted (1609)

7Nous verrons plus loin comment cet encodage pourrait être amélioré pour produire une version modernisée pour la lecture en même temps que la version quasi diplomatique montrée ici.

Un texte de théâtre

8Notre troisième exemple montre comment nous pourrions encoder la structure d’un texte de théâtre, la fin de la pièce de Samuel Beckett Waiting for Godot.

<div type="scene">
<!-- … --> 
     <sp>
	     <speaker>Vladimir</speaker>
         <p>Pull on your trousers.</p>
     </sp>
     <sp>
	     <speaker>Estragon</speaker>
		 <p>You want me to pull off my trousers?</p>
	 </sp>
	 <sp>
         <speaker>Vladimir</speaker>
         <p>Pull <emph>on</emph> your trousers.</p>
     </sp>
	 <sp>
         <speaker>Estragon</speaker>
		 <p> <stage>(realizing his trousers are down)</stage> True</p>
     </sp>
         <stage>He pulls up his trousers.</stage>
     <sp>
         <speaker>Vladimir</speaker>
		 <p>Well? Shall we go?</p>
     </sp>
         <sp><speaker>Estragon</speaker>
		 <p>Yes, let’s go.</p>
     </sp>
     <stage>They do not move.</stage>
</div>

9Dans cet encodage, nous avons introduit plusieurs nouveaux éléments TEI, pour nous permettre de distinguer les didascalies (<stage>) des dialogues individuels des personnages (<sp>). Notez qu’une didascalie peut apparaître aussi bien à l’intérieur d’un dialogue qu’entre deux entrées de dialogue, et qu’une entrée de dialogue contient toujours à la fois une étiquette d’identification pour montrer qui parle (<speaker>) et un paragraphe (<p>) pour contenir ce qu’il dit. Dans une pièce en vers, bien entendu, les dialogues contiendraient probablement une séquence d’éléments <l>.

Une carte postale

10La TEI est très utilisée pour des œuvres littéraires ou formellement publiées. Cependant, elle peut aussi être utilisée pour des types de documents très différents, comme des manuscrits d’auteur, des documents d’archives, ou toute autre sorte d’écrit informel. Notre quatrième exemple montre comment nous pourrions utiliser la TEI pour encoder la structure de cette carte postale :

Figure 2. Une carte postale (verso)

Figure 2. Une carte postale (verso)

11Toutes les cartes postales ont deux faces, un recto et un verso: nous les représentons à l’aide d’éléments <div>. Sur la face montrée ci-dessus, nous pouvons voir qu’il y a une nette distinction entre la partie portant le message, à gauche, et la partie consacrée à l’envoi de la carte, contenant divers timbres et tampons et une adresse. Voici l’une des façons possibles d’encoder cette carte, qui utilise les mêmes éléments <div> et <p> que nous avons déjà vus, avec des éléments et attributs additionnel plus spécialisés :

<div type="verso">
     <div type="message">
         <p>You should try this place. You can see how genteel it is</p>
		 <p> Hope you enjoyed Wales, as they said to Mrs Fitzherbert</p>
		 <signed>Mama</signed>
     </div>
     <div type="destination">
         <ab>
             <stamp type="publicity">Silhouette d’une voiture ancienne et slogan<mentioned>Brighton&amp; Hove all set for the seventies.</mentioned></stamp>
			 <stamp type="postmark">Marque circulaire précisant <mentioned>Brighton &amp; Hove - Sussex</mentioned> et <date when="1970-10-26">26 Oct 1970</date></stamp>
			 <stamp type="postage"> Type Machin. 4 pence, vermillon. </stamp>
         </ab>
		 <address>
             <addrLine>Mr Louis Burnard</addrLine>
			 <addrLine>4 Freeland Cottages,</addrLine>
			 <addrLine>Stanton St John</addrLine>
			 <addrLine>OXFORD</addrLine>
         </address>
     </div>
</div>

12L’élément <signed> utilisé pour entourer le bloc de signature est l’un des divers éléments spécialisés proposés par la TEI pour l’encodage de signatures ou d’en-têtes qui apparaissent au début ou à la fin d’une <div>. Il semble utile de les distinguer du reste du message, puisque de telles formules de politesse contiennent un type de langage plus formel, différent du reste du texte.

13Dans l’autre division, nous avons distingué trois types de timbres et tampons : le timbre-poste lui-même, la marque postale indiquant où et quand la carte a été postée, et une marque publicitaire additionnelle destinée à promouvoir le rallye automobile vintage de Brighton and Hove. L’élément TEI <stamp> est destiné à contenir une description textuelle de tout type de timbre ou tampon ; lorsque notre description inclut des mots apparaissant dans une partie du tampon, nous utilisons l’élément TEI <mentioned>. Dans le cas de la marque postale, nous avons aussi distingué la date donnée. Un grand nombre des recherches effectuées sur une archive de tels documents auraient besoin de rechercher et grouper de manière fiable les cartes en fonction de la date à laquelle elles ont été postées. Les dates données dans les marques postales utilisent souvent des formats différents et peuvent être incomplètes : nous ajoutons donc à la date encodée une valeur normalisée, fournie grâce à l’attribut @when. Enfin, nous avons indiqué l’adresse à laquelle la carte a été envoyée, en la divisant simplement en lignes.

14Dans un encodage plus détaillé, nous distinguerions probablement les noms des personnes et des lieux, en ajoutant peut-être des coordonnées géographiques pour les noms des lieux mentionnés. Nous pourrions souhaiter ajouter quelques explications au sujet de la petite plaisanterie sur « Wales ». Nous voudrions probablement distinguer du contenu les parties du message qui relèvent de formules, comme son début et ses lignes finales. Et nous réfléchirions aussi à la meilleure manière d’enregistrer l’information textuelle imprimée au dos de la carte – le titre et le nom de son éditeur par exemple. L’étendue de telles métadonnées, qui fournissent des informations utiles sur la façon dont la carte a été produite et utilisée, est très vaste et il est parfois difficile de savoir où s’arrêter. Par exemple, la tache jaune visible sur l’image suggère que cette carte a été jadis fixée à quelque chose par du ruban adhésif. S’il s’agit d’un document historique très rare, une telle trace de provenance peut être d’une importance considérable et doit alors être encodée en utilisant (par exemple) l’élément <damage>.

Un texte structuré a minima

15Enfin, si tout cela vous semble exagéré, il faut noter que la TEI peut aussi permettre une vue structurelle très simple dans laquelle tous ces composants conventionnels chargés de sens tels que les paragraphes, les locuteurs, les lignes de vers, etc., sont éludés ou ignorés en faveur d’une segmentation neutre basée sur des phrases définies par l’orthographe. Nous pouvons alors décider de conserver les divisions principales du texte, mais ensuite simplement les séparer à chaque signe de ponctuation appropriés en segments utiles sur le plan linguistique, en utilisant les éléments génériques <s> (« segment ») et <ab> (« anonymous block », bloc anonyme). Pour reprendre notre premier exemple :

<body xml:lang="fr">
     <div type="section">
         <ab>
             <s n="1">Introduction</s>
			 <s n="2">Nous recommandons l’utilisation du balisage TEI pour représenter la prose scientifique.</s>
			 <s n="3">Il présente un certain nombre d’avantages pratiques :</s>
			 <s n="4">Le balisage TEI est facile à ajouter ;</s>
			 <s n="5">Le balisage TEI est largement compris ;</s>
			 <s n="6">Le balisage TEI est facile à convertir en d’autres formats.</s>
			 <s n="7">Le balisage TEI présente aussi certains avantages scientifiques, que nous discuterons dans la section<ptr target="#SEC3"/>.</s>
          </ab>
     </div>
</body>

16Bien qu’un tel balisage manque évidemment de certaines informations présentes dans la version plus riche que nous avons présentée plus haut, sa simplicité et sa régularité font qu’il est bien plus simple à traiter pour des tâches assez mécaniques telles que l’analyse de vocabulaire ou l’enrichissement linguistique. Comme toujours, pour obtenir le meilleur de la TEI il nous faut définir avec soin nos priorités avant de prendre des décisions sur l’encodage.

Composites

17Un texte en TEI peut être simple (par exemple, un unique livre) ou composite (par exemple une collection ou une anthologie). Dans les deux cas, le corps principal du texte peut être précédé ou suivi par des matériaux additionnels (pages de titre, préfaces, dédicaces, index, etc.). La TEI propose un élément <body> obligatoire pour la partie principale d’un texte, et des éléments optionnels <front> et <back> pour regrouper respectivement les matériaux additionnels précédant ou suivant le texte. Dans un texte composite, le « corps » du texte est représenté par un élément <group>, qui peut contenir de multiples éléments <text>, ou des groupes d’éléments <text>, comme dans le schéma suivant :

<TEI xmlns="http://www.tei-c.org/​ns/​1.0">
	 <teiHeader>
		 <!--[ en-tête d’un texte composite ]-->
	 </teiHeader>
	 <text>
		 <front>
			 <!--[ pages liminaires du texte composite ]-->
		 </front>
		 <group>
			 <text>
				 <front>
					 <!--[ pages liminaires du premier texte dans le composite ]-->
				 </front>
				 <body>
					 <!--[ corps du premier texte dans le composite ]-->
				 </body>
				 <back>
					 <!--[ parties annexes du premier texte dans le composite ]-->
				 </back>
			 </text>
			 <text>
				 <front>
					 <!--[ pages liminaires du deuxième texte dans le composite ]-->
				 </front>
				 <body>
					 <!--[ corps du deuxième texte dans le composite ]-->
				 </body>
				 <back>
					 <!--[ parties annexes du deuxième texte dans le composite ]-->
				 </back>
			 </text>
			 <!--[ autres textes, simples ou composites ]-->
		 </group>
		 <back>
			 <!--[ parties annexes du texte composite ]-->
		 </back>
	 </text>
</TEI>

18Une structure comme celle-ci conviendrait à l’encodage d’une anthologie préexistante de poèmes d’auteurs variés mais réunis par un seul éditeur.

19Dans ce modèle il n’y a qu’un seul en-tête TEI pour l’ensemble du texte composite. La TEI permet aussi de créer un composite qui représente une collection de documents originellement distincts mais rassemblés par l’encodeur pour une raison donnée : les corpus linguistiques sont des exemples typiques. Chaque document constituant un corpus linguistique a ses propres métadonnées, représentées par son propre <teiHeader>, mais il existe une couche additionnelle de métadonnées relatives au corpus dans son ensemble. Ceci est encodé en TEI en utilisant une structure semblable à la suivante :

<teiCorpus xmlns="http://www.tei-c.org/​ns/​1.0">
	 <teiHeader>
		 <!--[ métadonnées relatives au corpus dans son ensemble ]-->
	 </teiHeader>
	 <TEI>
		 <teiHeader>
			 <!--[ métadonnées relatives au premier texte du corpus ]-->
		 </teiHeader>
		 <text>
			 <!--[ premier texte du corpus ]-->
		 </text>
	 </TEI>
	 <TEI>
		 <teiHeader>
			 <!--[ métadonnées relatives au second texte du corpus ]-->
		 </teiHeader>
		 <text>
			 <!--[ second texte du corpus ]-->
		 </text>
	 </TEI>
</teiCorpus>

20Une structure comme celle-ci conviendrait à l’encodage d’une collection nouvellement rassemblée de cartes postales ou de tout autre objet textuel indépendant.

Table des illustrations

Titre Figure 1. Sonnet 130 des Shakespeares Sonnets. Neuer before Imprinted (1609)
URL http://books.openedition.org/oep/docannexe/image/1308/img-1.jpg
Fichier image/jpeg, 309k
Titre Figure 2. Une carte postale (verso)
URL http://books.openedition.org/oep/docannexe/image/1308/img-2.jpg
Fichier image/jpeg, 408k