Chantier HN Triangle » HyperMachiavel » HyperArcadia

h1. Transformation vers un corpus parallèle (alignement HM)

Le document fourni par Uetani est un fichier word, organisé avec des tableaux à 3 colonnes :

* col 1 : nom du segment philologique (et notes diverses, dont certains acronymes sont à élucider pour moi)

* col 2 : version italienne

* col 3 : version française correspondante

L'enregistrement du .doc vers .odt est obligatoire chez moi, car je ne possède pas de logiciel Microsoft. Pour obtenir un corpus en XML-TEI, on a besoin de passer par deux scripts :

* le premier est fourni par le service OXGarage (transformateur en ligne pour la communauté TEI principalement) 

* le deuxième a été écrit en python par moi-même dont les détails sont après.

h2. ODT vers XML-TEI

* Le document de départ : attachment:CorpusSANAZIFR_Uetani_2017.odt 

* Le document de sortie : attachment:CorpusSANAZIFR_Uetani_2017.xml

Les choix ont été les suivants :

!{width:80%}OXGarage_convertODT-2-TEI.png!

h2. XML-TEI vers XML-TEI-HM

Le script attachment:tei2teiHM.py permet de 

* récupérer uniquement le texte :

** sans les notes (de bas de page)

** sans les indications graphiques (qui sont dans des balises <hi> avec attributs : italic, bold, ...)

* et de préparer la structure et les noms des divisions, segments dans celles-ci, comme par exemple "Prosa_X" puis sous-division "Prosa_X_3-4" (pour plus d'info, voir le chapitre sur la [[structure philologique]], et les opérations de nettoyage) 

<pre><code>

$ python tei2teiHM.py CorpusSANAZIFR_Uetani_2017.xml ~/Documents/Travail_ENS/Projets/Exterieurs/CESR_Uetani/Transformations

</code></pre>