Codifica digitale dei testi
un testo è una struttura complessa che
contiene informazioni di tipo diverso articolate
su più livelli
i computer memorizzano ed elaborano i dati
sotto forma di sequenze di due simboli 0 e 1.
con un bit possiamo quindi definire due
possibili stati, ma è impossibile rappresentare
tutte le informazioni mediante un solo bit. ciò
che si può fare è rappresentare le informazioni
con sequenze di bit. un raggruppamento di 8 bit
viene chiamato byte e può rappresentare 256
valori (2^8).
per raggruppare i bit si scelgono le potenze di
due poichè in questo modo tutte le operazioni
si semplificano. con l'avvento dei word
processor si inseriscono lettere minuscole e
altri caratteri speciali e per questo si sceglie il
set ASCII a 7 bit. la più piccola potenza di 2
che contenga il set di caratteri ASCII è quella di
8
il testo, i suoni, le immagini, i dati per essere
elaborati o trasmessi da un programma devono
avere una rappresentazione binaria, ovvero
ciascun carattere alfanumerico che compone il
testo deve essere rappresentato nei termini di
un codice binario composto da una sequenza
di bit
un testo è più di una sequenza binaria quindi
nella codifica vi sarà inevitabilmente perdita di
informazione.
questo accade perchè una parte delle
informazioni del testo non è rappresentata nei
caratteri che lo compongono ma è
implicitamente veicolata nella sua
formattazione (capitoli, paragrafi)
diventa necessaria una codifica che si basi sull'
identificazione di intere porzioni di testo e su
indicazioni esplicite della loro funzione
codifica di basso livello: codifica di livello zero
che riguarda la rappresentazione binaria della
sequenza ordinata dei caratteri del testo
codifica di alto livello: che arricchisce il testo
con informazioni interpretative di qualche tipo
selezione degli aspetti strutturali e funzionali
scelta di un linguaggio di rappresentazione
associare a ciascun carattere del testo un
codice numerico univoco
ai fini della codifica binaria, un carattere è un'
entità astratta distinta dalle sue possibili
rappresentazioni grafiche quindi due simboli
possono essere graficamente indistinguibili ma
corrispondere a caratteri diversi
set di caratteri/codice è una tabella di
associazioni biunivoche convenzionali tra gli
elementi di un repertorio di caratteri e codici
numerici (punti di codice rappresentati in forma
binaria)
la modalità di rappresentazione binaria dei
punti di codice viene chiamata codifica di
carattere
con n cifre binarie è possibile codificare 2^n
caratteri differenti
la necessità di produrre e scambiare testi in
formato digitale ha portato alla definizione di
set di caratteri standard
il più noto set di caratteri è ASCII, in cui ciascun
carattere è codificato con un byte, ma di questo
sono usate solo le prime 7 cifre per la
rappresentazione del codice (2^7=128
caratteri). per ovviare a questa limitazione il
codice è stato esteso con estensioni da 8 bit
per codifica e quindi 256 caratteri. l'unica
estensione standard è ISO-Latin-I
la soluzione ai limiti di ASCII è Unicode: set di
caratteri universali che permette di codificare
testi contenenti caratteri di ogni sistema di
scrittura esistente ed esistita
assegna ad ogni carattere un punto di codice
distinto rappresentato da un numero in base
esadecimale
punto di partenza è il testo codificato a livello
zero che si presenta come un manoscritto in
sciptio continua. il compito della codifica di alto
livello sarà quello di dare forma alla sequenza
di caratteri rendendo esplicita l'informazione
che è veicolata
la codifica di alto livello trasforma il dato
testuale grezzo in fonte esplicita di informazioni le informazioni sono più volatili, i dati più stabili
formati digitali dei testi
formato solo testo costituito da una sequenza
di bytes dove ciascun byte rappresenta un
carattere secondo un particolare codice
formati proprietari, creati, letti ed interpretati
solo da uno specifico programma
formato binario ovvero la memorizzazione
esatta delle strutture in memoria dell'
applicazione
linguaggi che consentono di individuare,
selezionare e classificare gli elementi rilevanti
del testo a seconda del livello strutturale che si
intende codificare
un linguaggio di marcatura descrive tramite
convenzioni standardizzate i meccanismi di
rappresentazione del testo a livello strutturale,
semantico o di presentazione
elementi fondamentali sono i marcatori o tag,
una grammatica che regoli l'uso dei tag e una
semantica, che definisce la funzione della
marcatura
la marcatura viene inserita direttamente all'
interno del testo a cui viene applicata
inoltre un linguaggio di marcatura deve
rispondere ad una serie di requisiti che ne
misurano il valore per verificare se e in che
misura esso sia adeguato alle esigenze dell'
elaborazione e trasmissione digitale dei dati. i
requisiti si dividono in tre aree:
- potenza espressiva
- portabilità e riusabilità
- standardizzazione e apertura
potenza espressiva: caratteristica che permette
al linguaggio di essere applicato al numero più
ampio possibile di tipologie e generi testuali;
consente di rappresentare il maggior numero di
livelli strutturali e di esprimere le caratteristiche
del testo secondo diverse prospettive
portabilità: il documento può essere leggibile su
qualunque tipo di piattaforma e dispositivo
informatico senza problemi di compatibilità;
riusabilità: possibilità di accedere al documento
anche a distanza di tempo dalla sua creazione
standardizzazione: il linguaggio viene utilizzato
universalmente dalla comunità di utenti e deve
essere aperto e di pubblico dominio
due categorie di linguaggi di markup
linguaggi procedurali
linguaggi dichiarativi
specificano al computer quali sono le
operazioni che deve compiere sul documento,
per presentarlo in una determinata maniera. la
loro funzione principale è la resa grafica del
documento.
RTF (rich text format): formato aperto realizzato
da Microsoft con lo scopo di semplificare lo
scambio di documenti fra diverse applicazioni.
in RTF la marcatura indica che tipo di
formattazione applicare al testo semplice (
definito sfruttando solo set di caratteri molto
semplici)
LaTeX: linguaggio di markup distribuito con una
licenza di software libero utilizzato per la
preparazione di testi scientifici e nelle scienze
dell'informazione. è un linguaggio molto
colìmplesso.
si concentrano sul contenuto, ossia sul
tentativo di rappresentarne la struttura astratta.
il generic markup si basa su un insieme di
marcatori che indicano la funzione di un blocco
di testo
la resa grafica di un documento trattato con un
linguaggio di markup dichiarativo è affidata a
un secondo documento testuale chiamato
foglio di stile --> associa ai tag delle istruzioni di
resa grafica
SGML (standard generalized markup language)
sviluppato per consentire lo scambio di
documenti che potessero essere interpretati dai
computer
nasce negli anni 60, quando erano diffusi solo i
markup procedurali e quindi si rendeva
necessario elaborare un linguaggio che
mantenesse distinte le informazioni di
presentazione da quelle di struttura. inoltre era
necessaria anche la definizione di uno standard
per la trasmissione e l'archiviazione dei
documenti stessi.
è un metalinguaggio che non definisce
direttamente i tag per la struttura logica del
testo, ma fornisce una serie di regole che
permettono di definire le norme da applicare
per la marcatura di specifici documenti
tra i concetti teorici su cui si basa l'
impostazione del linguaggio vi è il tipo di
documento, che si occupa della descrizione
delle caratteristiche di un gruppo di documenti
dalla struttura omogenea. il tipo di documento
viene identificato attraverso un DTD, tramite cui
si determinano le regole per la presenza, l'
ordine e la posizione delle etichette di
marcatura e dei loro attributi all'interno di un
documento. quindi DTD definisce gli oggetti
necessari all'elaborazione di un certo tipo di
documento:
- elementi
- content model
- entità
HTML (hypertext markup language), creato da
Tim Berners-Lee nel 1990
concepito per definire la struttura logica di un
documento e non il suo aspetto. i documenti
ipertestuali scritti in HTML hanno estensione .
html o .htm e si aprono con l'indicazione della
definizione di tipo di documento che segnala le
specifiche utilizzate e indica quali elementi
possono essere presenti
XML
metalinguaggio derivato da SGML, del quale
definisce una versione semplificata per creare
in modo semplice nuovi linguaggi markup per il
Web
vantaggi:
- indipendente dal tipo di piattaforma hardware
o software su cui viene utilizzato
- consente la trascrizione di qualsiasi tipo di
documento
- di dominio pubblico
- esistono numerose applicazioni per la
manipolazione di dati XML
- è in grado di creare delle regole sintattiche
che definiscono formalmente un linguaggio di
markup, detto applicazione XML
Marcatura procedurale
- basato sull'aspetto
- dipendente dal sistema
- associata agli individui
- non contestuali
Marcatura dichiarativa
- basata sul ruolo (di ogni elemento all'interno
del testo)
- indipendente dal sistema
- contestuale
vantaggi
- facilità nella creazione
- indipendenza dalla formattazione
- flessbilità
- visioni di documenti dinamicamente
riconfigurabili
