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.

ODT vers XML-TEI¶

• Le document de départ : CorpusSANAZIFR_Uetani_2017.odt
• Le document de sortie : CorpusSANAZIFR_Uetani_2017.xml

Les choix ont été les suivants :

XML-TEI vers XML-TEI-HM¶

Le script 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 (voir le chapitre sur la structure philologique, et les opérations de nettoyage) comme "Prosa_X_3-4" (A NOTER CE QUE CELA SIGNIFIE !!)

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