Secteur TAL Informatique,
Université Sorbonne nouvelle, Paris 3
19 rue des Bernardins, 75005 Paris
Corpus en ligne

Ressources locales

"Corpus de campagne" - Présidentielle 2002

Ressources pour les cours

Ressources pour les COURS/TDs

Le père duchesne

Site Web Lexico 3

  • Présentation : ce document XML rassemble toutes les pages construites sur le site de Lexico3 (préparation réalisée via les outils du projet TypWeb)
  • version XML tous les accents ont été supprimés

La bête humaine

  • Présentation : ...
  • version XML (à corriger sur certains caractères)

Corpus Boeing

  • Présentation :
    • Le corpus traité ici a été construit à partir des ressources textuelles disponibles sur le Web à l'adresse suivante : http://www.boeing.com/news/speeches/current/archive.html. Cette page est une des pages du site du constructeur d'avion américain Boeing. Elle regroupe des discours de dirigeants de la société aéronautique. Nous avons dans un premier temps traité l'ensemble des données disponibles sur cette page pour constituer un corpus de référence (le corpus XML infra). Nous avons ensuite extrait de ces données un ensemble de textes corresponadnt à certains auteurs. Le site Boeing a été partiellement aspiré à partir de la page d'entrée des discours. Cette aspiration a été réalisé avec l'aspirateur "Web Devil 5.0" sous Macintosh. L'arborescence initiale du site (à partir de la page d'entrée donnée) a été reconstitué localement. A partir de cet état off-line du corpus, nous avons utilisé des outils existants pour normaliser et archiver ces données. Ces outils sont intégrés dans un prototype de manipulation de données textuelles qui regroupent des outils utilisés par exemple dans la gestion de corpus construit sur Internet. Cet outil, nommé MKCORPUS, permet de réaliser des opérations élémentaires sur des corpus textuels. Il permet aussi de générer, à partir d'un corpus aspiré sur le Web, un corpus normalisé (au format XML) de ce corpus initial. Pour les textes (1) et (3) on dispose d'un extrait du corpus complet, il regroupe les interventions d'un seul intervenant sur plusieurs mois et sur plusieurs années (1998-2000).
    • Descriptif du codage utilisé pour ces fichiers: Chaque balise (que l'on appelle via le nom utilisé par l'item nomBalise) est construire de la manière suivante : <nomBalise=valeurBalise>. Les valeurs des balises utilisées sont les suivantes.
      • La balise aut est associé à l'auteur du discours.
      • La balise autanregroupe les informations suivantes : auteur, date (année)
      • La balise anaut regroupe les informations suivantes : date (année), auteur
      • La balise autanmois regroupe les informations suivantes : auteur, date (année, mois)
      • La balise anmois regroupe les informations suivantes : date (année, mois)
      • La balise an regroupe les informations suivantes : date (année)
    • Les majuscules ont été recodées sous la forme suivante : le caractère * suivi de la même lettre en minuscule. Chaque paragraphe est introduit via le caractère §.
  • version TXT (1) (balisée pour Lexico3) une partie des interventions du site XML complet
  • version TXT partie textuelle du corpus XML infra
  • version HTML (3) une partie des interventions du corpus XML infra
  • version XML le site des archives de Boeing construit via les outils Typweb

Corpus Prématurés 1996

  • Prématurés 1996 version HTML complète locale (préparation initiale Benoît Habert)
  • Prématurés 1996 version HTML complète avec rapport d'analyse complet (responsable Benoît Habert)
  • Plusieurs versions sont utilisables  :
    • la première, brute (p96.tab), est issue d'un tableur (un tableur manipule des cellules organisées en lignes et colonnes, et permet de faire calculer la valeur d'une cellule à partir du contenu d'une ou de plusieurs autres cellules). C'est la version qui a été constitué dans le service de réanimation néonatale à partir des fiches papier remplies par les infirmières. Dans ce fichier, le nombre débutant la ligne concatène le numéro de bébé, celui du jour de l'observation et celui de l'observation dans la journée.
    • la seconde (p96.bal) nomme les différentes informations contenues dans une fiche sur un bébé un jour donné à un moment déterminé. On dispose aussi de (p96.fic) qui regroupe toutes les fiches. Enfin, on dispose de (p96.tag) qui correspond à une version étiquetée du corpus bébé
      • La première version (p96.tab) est disponible (au format HTML) : visualisation p96tab.htm.
      • La seconde version (p96.bal) est disponible (au format HTML) : visualisation p96bal.htm.
      • La première version (p96.tab) est disponible (au format TXT) : visualisation p96.tab.
      • La seconde version (p96.bal) est disponible (au format TXT) : visualisation p96.bal.
      • La version (p96.fic) est disponible (au format TXT) : visualisation p96.fic.
      • La version (p96.tag) est disponible (au format TXT) : visualisation p96.tag.

      • Les 4 derniers fichiers dans une archive : Prem96.zip

  • Pour la visualisation des versions textuelles brutes, une étape de téléchargement est parfois nécessaire. Si tel est le cas placer le fichier cherché dans votre envirionnement de travail avant de le manipuler.
  • Présentation de la version hypertextuelle
  • Plusieurs versions distinctes du corpus sont données :
  • Versions complémentaires
    • version XML du site Prématurés 96 (local) construit avec les outils typweb
    • version catégorisée pour Lexico3 (forme, catégorie, lemme) - contient des parties textuelles relatives aux corpus bébé (corpus pour SLOV5/6)
    • version catégorisée pour Lexico3 (forme, catégorie, lemme) du corpus XML précédent (corpus pour SLFN7/8)
    • Présentation des versions textuelles

Corpus Prématurés 2000

La déclaration des droits de l'homme 1789

shakespeare 2000

  • Présentation : nous reproduisons ici le contenu de la présentation faite par l'auteur dans la distribution de ces textes

    • Jon Bosak (bosak@eng.sun.com)
    July 15, 1999

    This is shaksper.200, a set of the plays of William Shakespeare marked up for electronic publication. The set began as ASCII files put into the public domain by Moby Lexical Tools in 1992. They were marked up in 1992 as a beginner's exercise in SGML DTD and stylesheet design (originally using the DynaText proprietary stylesheet language) and in 1996 were released along with a companion set of publicly available religious texts as the earliest examples of real documents marked up in (early) XML. The current distribution conforms to the XML 1.0 Recommendation released February 8, 1998.

    Caveat regarding Shakespeare scholarship

    Every time I have occasion to compare the text of these files with a modern edition of Shakespeare (usually when someone points out a problem that requires me to check against a printed text), I wonder where in the world the Moby folks got the original. They must have used OCR to scan in a printed edition that had gone out of copyright, which means that the source could have been published no later than World War I. My guess is that it was a late Victorian edition, but it might have been much older.

    In any case, the editorial style of the set is very different from that of modern editions, and on general principles I strongly doubt the critical accuracy of the text. The set is provided, as it always has been, purely as a learning exercise in SGML/XML markup, as a benchmark for comparing the performance of SGML/XML processors, and as a resource for testing stylesheet and search methodologies. The text is enjoyable reading, but the present edition should not be relied upon for scholarly purposes.

    Copyright

    While the text has been in the public domain since 1992, the status of the markup hasn't been clear. For purposes of legal simplicity (I think), I'm now asserting copyright over the markup to discourage the circulation of variant versions while still allowing free distribution. Each play now includes the following notice:

    ASCII text placed in the public domain by Moby Lexical Tools, 1992.
    SGML markup by Jon Bosak, 1992-1994.
    XML version by Jon Bosak, 1996-1999.
    The XML markup in this version is Copyright © 1999 Jon Bosak. This work may freely be distributed on condition that it not be modified or altered in any way.

    What's new

    Unlike the companion 2.x version of the religious texts, Shakespeare 2.00 does not differ significantly from the previous release, version 1.10. The main difference is that the DTD and the XML declarations have at last been revised to conform to the final XML 1.0 Recommendation. I've also corrected about 50 lines of bad tagging in Henry IV Part 2 (Act 2, Scene 1) and de-Americanized the spelling of the word "Labour" in the title "Love's Labour's Lost" (yes, there are properly two apostrophes!). My thanks to Michael Kay for pointing out these errors. None of the changes should significantly affect comparisons with processing tests run against earlier versions.

    I had originally intended to supply a set of DSSSL stylesheets for the plays just as I did for the religious texts -- hence the delay in making this set available. I have given up on finding the time to do this right now. Hopefully I will include stylesheets in a future release; I have left in a few small ancillary files in anticipation of this.

    Manifest

    This distribution includes the following files, all of which should be installed in the same directory:

    
  shaksper.htm     this file



  play.dtd         DTD for testaments



  scripts for batch validation using nsgmls:



    vs              a bash script for validating a play as SGML

    vx              a bash script for validating a play as XML



  ancillary files left in for future DSSSL processing (these are

  not needed for most generic XML processing):



    catalog         SGML Open (OASIS) catalog for public identifiers

    dsssl.dtd       DSSSL DTD

    fot.dtd         FOT (flow object tree) DTD

    style-sheet.dtd DTD for DSSSL stylesheets

    xml.dcl         XML SGML declaration

    xml.soc         XML catalog

    the plays are the thing:

  • a_and_c.xml
  • all_well.xml
  • as_you.xml
  • com_err.xml
  • coriolan.xml
  • cymbelin.xml
  • dream.xml
  • hamlet.xml
  • hen_iv_1.xml
  • hen_iv_2.xml
  • hen_v.xml
  • hen_vi_1.xml
  • hen_vi_2.xml
  • hen_vi_3.xml
  • hen_viii.xml
  • j_caesar.xml
  • john.xml
  • lear.xml
  • lll.xml
  • m_for_m.xml
  • m_wives.xml
  • macbeth.xml
  • merchant.xml
  • much_ado.xml
  • othello.xml
  • pericles.xml
  • r_and_j.xml
  • rich_ii.xml
  • rich_iii.xml
  • t_night.xml
  • taming.xml
  • tempest.xml
  • timon.xml
  • titus.xml
  • troilus.xml
  • two_gent.xml
  • win_tale.xml

    • Running the scripts

    The files in this set were built and tested in Windows 95 using scripts running under the Gnu bash shell. DOS batch files should work equally well, but I don't have the patience to deal with them.

    Assuming that nsgmls (part of the Jade distribution) has been installed and is in the search path, the scripts named vs and vx are typically run under bash like this:

    
   for i in *.xml; do echo $i; vs $i; done

   for i in *.xml; do echo $i; vx $i; done

    The first command line performs a validity check of all the plays as SGML files, and the second performs a validity check of all the plays as XML files. Note that both scripts change the values of SP environment variables.

    Jon Bosak
    Los Altos, California
    July 1999

 

Ressources sur le web


TEXTES DIVERS