Skip to content

Latest commit

 

History

History
158 lines (99 loc) · 4.56 KB

pao2tei_memo.md

File metadata and controls

158 lines (99 loc) · 4.56 KB

Memo de conversion des positions depuis la PAO

Le workflow actuel :

  1. Conversion InDesign → docx (par Delphine) : validation et quelques reprises manuelles
  2. Conversion docx → odt : correction du stylage (Titre du document, hiérachie des titres de niveau en particulier)
  3. Conversion odt → XML/TEI : automatique avec odt2tei
  4. Reprise du XML/TEI afin de valider avec encpos.rng
  5. Insertion du teiHeader

Ce document liste les particularités des conversions XML/TEI (od2tei) des exports traitement de texte des positions depuis InDesign.

À ce stade du projet, on applique des filtres regex. Une implémentation XSLT sera sans doute à entreprendre pour automatiser le worflow.

Analyse

Typographie

On trouve de nombreux seg[@rend]. Valeurs rencontrées :

  • 19 typoitalique : ne contient que des hi[@rend='i']. On supprime ces seg
  • 17 typosc : les petites caps des siècles : <seg rend="typosc">xvi</seg>
  • 14 typoexposant : les exposants
  • 4 typoscitalic
  • 2 typoexposantitalic
  • 1 typomajuscule
  • 1 typoitalicgras
  • 1 typogras

//seg[@rend='typoitalique']//element()[name()!='hi']

NB. des cas complexes, liés au mauvais stylage PAO au niveau caractère, par ex.

<seg rend="typoitalique">
  <hi rend="i">La noblesse et l’Église en Provence, fin</hi>
</seg>
<seg rend="typoscitalic">
  <hi rend="i"><num>x</num></hi>
</seg>
<seg rend="typoexposantitalic">e</seg>
<seg rend="typoitalique">
  <hi rend="i">-début</hi>
</seg>
<seg rend="typoscitalic">
  <hi rend="i"><num>xiv</num></hi>
</seg>
<seg rend="typoexposantitalic">e</seg>
<seg rend="typoitalique">
  <hi rend="i"> siècle/hi>
</seg>
…

devient

<hi rend="i">La noblesse et l’Église en Provence, 
fin <num>x</num><hi rend="sup">e</hi>-début <num>xiv</num><hi rend="sup">e</hi> siècle :
l’exemple des familles d’Agoult-Simiane, de Baux et de Marseille</hi>

Il faudra enfin penser à reformater les siècles conformément au schéma (voir plus bas).

Essayer de repérer ces cas (les valeurs de @rend minoritaires) et les traiter manuellement. Pénible !

Astuce : on détecte ces cas grâce aux valeurs de @rend improbables : par ex typoexposantitalic ou typoscitalic qui témoignent des mauvaises segmentations typo.

Siècles

Attention à la standardisation des siècle !!

Reprise

Ordre des reprises à implémenter

Appeler le bon schéma pour validation

<?xml-model href="../encpos.rng" type="application/xml" schematypens="http://relaxng.org/ns/structure/1.0"?>

Appeler le bon scénarion de transformation pour visualisation

<?xml-stylesheet type="text/xsl" href="../../../hteiml/xsl/tei2html.xsl"?>

Supprimer les commentaires inutiles

Supprimer : <!--[^>]+>\n → vide

Déterminer si des seg sont vides

On rencontre souvent des caractères invisibles qui ont été stylés typographiquement (par exemple des espaces en italique…).

Analyser et remplacer soit par rien, soit par une espace : <seg[^>]+>[ ]+</seg> →

Analyser et reprendre manuellement les segmentations typographiques bordéliques

Par ex. :

  • //seg[@rend='typoscitalic']
  • //seg[@rend='typoexposantitalic']
  • //seg[@rend='typomajuscule']
  • //seg[@rend='typoitalicgras']
  • //seg[@rend='typogras']

Reprendre les exposants

<seg rend="typoexposant">([^<]+)</seg> → <hi rend="sup">$1</hi>

Reprendre les petites caps des siècles

<seg rend="typosc">([^<]+)</seg> → <num>$1</num>

Reprendre les italiques

A. S'assurer que tous les segments en italiques, contiennent de l’italique :

  • xpath: //seg[@rend='typoitalique'][not(hi[@rend='i'])]
  • Corriger manuellement les cas problématiques.

B. Supprimer les seg[@rend='typoitalique'] encapsulant les hi[@rend='i']

Supprimer <seg rend="typoitalique"> et </seg> en prenant soin de ne pas casser le XML…

Reprendre les siècle

Le format attendu : au <num>xix<hi rend="sup">e</hi></num> siècle

<num>([^<]+)</num>(<hi rend="sup">e</hi>) → <num>$1$2</num>

Vérifier qu’il ne reste pas des cas : <num><hi

Utiliser le schéma pour les reprises

  • renseigner TEI/@xml:id
  • renseigner TEI/@xml:lang

Byline

Baliser manuellement avec l’aide du schéma, car on ne dispose pas de la distinction prénom/nom…

Standardisation

  • Virer les espaces inutiles, par ex : [ ]+</p> ou <p>[ ]+
  • suppression des scories issues de la conversion depuis l’odt, par ex. //anchor
  • Vérifier les </hi>[^ ]
  • Ou des segmentations foireuses : e </hi>siècle
  • Indenter

Vérifier le rendu HTML

La table, etc.