Une esquisse pour le projet

Jean-François Perrot, 28/03/2014


  1. But

    À partir d'un fichier issu de TXM (texte vietnamien obligeamment prêté par Océane),
    (dont la structure est vérifiée conforme à la grammaire corpTXM.rng donnée ci-après)
    donner le nombre de mots commençant par 'HIV' dans chaque phrase.

    1. Le document.
      La grammaire : en format compact, en format XML.

    2. Exécution
      jfp$ perl esquisse.pl 2862-i.xml

      Nombre de mots commençant par 'HIV' dans chaque phrase du document 2862-i.xml :
      1 - 0 - 0 - 3 - 0 - 0 - 1 - 2 - 1 - 1 -

      Terminé
      jfp$

  2. Procédé

    1. On enrichit d'abord le document XML en ajoutant au début de chaque phrase (balise <s>) une balise <nbHIV>
      qui contient comme texte le nombre de balises <w> dans la phrase dont le fils <txm:form> a un contenu qui commence par 'HIV'.
      Compte-tenu de l'indispensable préfixe de namespace, cette opération est réalisée en XSLT par :

      <nbHIV><xsl:value-of select="count(tei:w[starts-with(txm:form,'HIV')])" /></nbHIV>

    2. Ensuite on applique au texte du document enrichi une expression régulière Perl qui se charge d'extraire et d'imprimer le résultat :

      $texte =~ s/<nbHIV>(\d+)<\/nbHIV>/print("$1 - ")/eg;

  3. Détails de la réalisation

    1. La feuille de style enrichissante :
    2. Le script Perl
      Sur la mise en œuvre du backquote, les explications seront données en cours.