Relazione attività del primo anno del progetto "BIA-Net

Istituto di Teoria e Tecniche dell’Informazione Giuridica
Consiglio Nazionale delle Ricerche
Lorenzo Di Silvestro, Daria Spampinato
Relazione attività del primo anno del progetto
"BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
First annual activity report for the project "BIA-Net – On-line
line access to the Bibliotheca Iuris Antiqui"
Keywords: XML, TEI, Dublin Core, XML Native Database, eXist, BIA (Biblioteca Iuris Antiqui),
roman law, digital library, textual archives, bibliographic archives
Rapporto tecnico n. 2/2010
Relazione attività del primo anno del progetto "BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
Sommario: 1.Progetto BIA-Net - 2.Obiettivi dell’unità CNR - 3.Analisi dei
dati - 4.Analisi e gestione greco - 5.Il modello XML/TEI - 6.Mapping
Digesta e Codex Iustinianus - 7.La traduzione delle fonti - 8.Mapping di
OPERA - 9.Traduzione in Dublin Core - 10.Infrastruttura portale e
database - Riferimenti
1. Progetto BIA-Net
Il progetto si propone di rendere accessibile in rete l’intero patrimonio scientifico romanistico già
digitalizzato nella Bibliotheca Iuris Antiqui (BIA2000) e finora disponibile solo su supporto CD-ROM. Il
progetto renderà possibile la realizzazione di una Biblioteca digitale per la comunità storico-giuridica,
basata su una collezione digitale specialistica arricchita da particolari servizi.
Il progetto è finanziato con fondi MIUR del PRIN 2007 di cui è coordinatore scientifico nazionale il prof.
Nicola Palazzolo. Al progetto afferiscono cinque unità di ricerca di cui tre costituite da studiosi di diritto
romano (Università di Perugia, di Catania e di Catanzaro), una di specialisti di Biblioteche digitali
(Università di Parma) e l’unità ITTIG-CNR.
La banca dati BIA consta di tre archivi integrati - dati concettualmente e strutturalmente diversi interrogabili attraverso un unico programma di recupero di informazioni:
-
Fontes: base di dati primaria. È costituita da un fondo documentario di notevole ampiezza
contenente fonti giuridiche romane a testo pieno.
-
Opera: base di dati secondaria. Comprende l’intera produzione scientifica degli anni 1940-
1998 relativa al diritto romano, e agli altri diritti dell’antichità.
-
Thesaurus: archivio collaterale di codici di classificazione numerici e di descrittori in linguaggio
naturale. Contiene un insieme strutturato di circa 8000 termini controllati e normalizzati che sono
patrimonio specifico delle discipline relative ai diritti dell’antichità.
BIA-Net si prefigge di apportare a BIA2000 diverse miglioramenti, quali:
-
fornire strumenti atti alla realizzazione di frequenti aggiornamenti all’archivio Opera,
eventualmente inserendo anche articoli a testo pieno
-
dare la possibilità di modificare l’archivio Fontes, potendone integrare il contenuto con fonti di
nuova digitalizzazione
-
aggiungere l’apparato critico (note, varianti dei manoscritti, ecc.) ad oggi totalmente assente
-
garantire l’interoperabilità dei dati
2 / 13
Relazione attività del primo anno del progetto "BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
-
disporre l’accesso alle risorse attraverso l’uso di protocolli aperti.
1. Obiettivi dell’unità CNR
Durante i due anni del progetto BIA-Net l’unità CNR si deve occupare sia della conversione degli
archivi di BIA2000 in formati standard riconosciuti a livello internazionale per la digitalizzazione degli
archivi testuali e bibliografici in linguaggio XML, sia della realizzazione di un prototipo di un’interfaccia
web per l’accesso ai dati.
La caratteristica del linguaggio XML è la separazione concettuale tra la rappresentazione logica dei
dati e la loro visualizzazione tramite un media. Quindi lo scopo dell’utilizzazione dello XML è
principalmente quello di rappresentare la struttura logica delle informazioni per poi demandare a un
software di presentazione le funzionalità proprie della visualizzazione.
Nel primo anno di attività l’unità CNR ha lavorato a stretto contatto con gli specialisti delle altre
discipline. Si è concentrata, in collaborazione con l’Unità di Parma, nella ricerca degli standard
opportuni per la definizione delle varie fonti e dei dati bibliografici. Sono stati individuati
rispettivamente lo XML/TEI e il Dublin Core ovviamente nella sua implementazione XML.
Inoltre l’unità si è preoccupata di impostare un minisito web per inserire pagine di descrizione e
presentazione
del
progetto.
Le
pagine
sono
reperibili
all’indirizzo
http://www.lex.unict.it/cir/progetti/2007/miur2007.htm.
Lo schema del sito è volutamente semplice e necessita dell’intervento di tutte le unità per il suo
mantenimento.
2. Analisi dei dati
I dati che l’unità deve trattare sono disponibili in vari formati, a seconda se provenienti dal CDROM
oppure dalle altre unità di ricerca. Si presentano in diversi formati proprietari: RTF, DOC (Microsoft
Word) e BEF (BiaEditor) per i dati di recente revisione o nel formato CDS (BIA2000) per i dati del
CDROM.
Il primo archivio analizzato è stato Fontes. Di ogni fonte è stato necessario studiare il formato del file
con cui questa è stata digitalizzata, comprenderne la sua sintassi e la struttura. Inoltre è importante
conoscere la struttura propria della fonte.
I file in formato CDS sono scritti seguendo la sintassi del formato Microsoft RTF, ma non sono
semanticamente validi.
3 / 13
Relazione attività del primo anno del progetto "BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
È stata scartata quindi l’idea di utilizzare o implementare un parser RTF generico. Un parser per RTF
non avrebbe riconosciuto per intero il documento e avrebbe perduto informazioni importanti, relative
alla struttura delle fonti.
Si è studiato il file CDS evidenziando solo ciò che costituiva informazioni utili per la conversione. Oltre
ai dati testuali delle fonti sono stati individuati alcuni metadata che identificano porzioni di testo
mettendone in evidenza la struttura e che vengono utilizzati dal software di BIA2000 per un’opportuna
formattazione.
Una prima analisi ha evidenziato l’eterogeneità della struttura propria delle varie fonti, per tale motivo
la conversione e traduzione dei dati in uno standard XML è da effettuarsi separatamente per ogni
fonte.
3. Analisi e gestione greco
In BIA2000 è stato utilizzato un charset non standard con glifi disegnati appositamente (Greek.ttf Copyright © BIA, 1998). Per la consultazione delle fonti contenute nel CDROM BIA2000 è necessario
installare sul computer il font proprietario e tale operazione è fortemente sconsigliata nella logica
dell’open source; per tale motivo si è pensato di utilizzare la codifica in standard Unicode UTF-8 dei
font greci.
È stato quindi necessario creare un modulo di conversione dei caratteri greci e una tabella di
corrispondenza dei grafemi del font Greek.ttf con i codici esadecimali dell’Unicode.
Si è quindi stilata una lista dei 236 caratteri presenti nel font proprietario di BIA e per ognuno si è
trovato il corrispettivo in Unicode.
Ecco di seguito una porzione della tabella di conversione:
codice o carattere greek bia
"
$
%
&
font greco
"
$
%
&
codice unicode esadecimale
03e0
03db
03d9
03da
font greco
e
f
g
h
i
v
codice unicode esadecimale
03b5
03c6
03b3
03b7
03b9
03c2
...
codice o carattere greek bia
e
f
g
h
i
j
...
4 / 13
Relazione attività del primo anno del progetto "BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
codice o carattere greek bia
\’a1
\’a2
\’a3
\’a4
\’a5
\’a6
\’a7
\’a8
\’a9
\’aa
\’ab
\’ac
\’ad
\’ae
\’af
\’b0
\’b1
\’b2
\’b3
\’b4
\’b5
\’b6
font greco
¡
¢
£
¤
¥
¦
§
¨
©
ª
«
­
®
¯
°
±
²
³
´
µ
ÿ
codice unicode esadecimale
1f01
1f00
03ac
1f05
1f04
1f70
1f03
1f02
1fb6
1f07
1f06
1f81
1f80
1fb4
1f85
1f84
1fb2
1f83
1f82
1fb7
1f87
1f86
Nella prima colonna è presente il codice utilizzato per indirizzare i caratteri del font greco di BIA nel file
CDS (come si può vedere dal frammento della tabella allegata, sono stati utilizzati segni di
punteggiatura, caratteri latini e codici esadecimali). Nella seconda colonna è presente il carattere
greco, così come viene visualizzato sul CD BIA2000. Nella terza il codice esadecimale relativo
all’Unicode corrispondente.
Al momento della conversione ogni carattere viene quindi sostituito da un’entità XML che richiama il
codice Unicode UTF-8 (es. &#1f86; per il carattere ÿ).
4. Il modello XML/TEI
Il sistema di codifica XML/TEI (Text Encoding Initiative) è divenuto uno standard internazionale de
facto per la digitalizzazione dei testi in ambito umanistico.
L’utilizzo del linguaggio XML (libero e portabile) rende lo Schema TEI slegato da qualsiasi architettura
software e hardware.
La scelta di questo formato nella sua ultima versione (P5) consente:
-
l’interoperabilità dei dati, garantendone la confrontabilità con altre iniziative analoghe;
-
di rispecchiare la forma gerarchica articolata delle fonti giuridiche dell’antichità, permettendo
un’accurata codifica delle diverse caratteristiche del testo;
5 / 13
Relazione attività del primo anno del progetto "BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
-
un supporto completo per la gestione dei caratteri accentati e speciali e per i font greci.
1. Mapping Digesta e Codex Iustinianus
In collaborazione con l’unità di ricerca dell’Università di Parma è stata effettuata un’analisi
approfondita della struttura delle fonti. Si è iniziato con lo studio del Digesta e del Codex che
costituiscono più del 60% dell’intero corpus di Fontes.
Un’analisi approfondita della struttura propria delle fonti ha portato all’individuazione di alcuni tag dello
Schema XML/TEI che meglio rispecchiano la forma gerarchica articolata della fonte.
Le fonti Digesta e Codex sono costituite da Libri. Ciascun Libro è diviso in Titoli descritti da Rubrica
indicante l'argomento trattato. Ogni Titolo è suddiviso in più Frammenti, questi ripartiti in diversi
Paragrafi. Ad ogni Frammento è associata una inscriptio con il nome del giurista che ne è l'autore,
l'opera e il numero del libro dal quale è tratto. Nel Codex in più è presente una subscriptio per ogni
Frammento, indicante la data e il luogo di pubblicazione.
Nello Schema XML/TEI sono stati identificati cinque tag <divN>, con N variabile da 0 a 4, che
identificano porzioni di testo annidate:
-
<div0> per il Libro,
-
<div1> per il Titolo,
-
<div2> per la Rubrica e il Frammento,
-
<div3> per l’inscriptio e la subscriptio,
-
<div4> per i Paragrafi.
Il nome del Libro (che non era presente nel file d’origine ed è stato costruito in maniera
semiautomatica) viene etichettato col tag <head>. Il contenuto della Rubrica viene inserito nel tag
<argument>. Ai nomi dei giuristi viene associato il tag <name>. Il testo greco viene identificato
mediante il tag <foreign>. Infine il tag <hi> viene utilizzato per etichettare porzioni di testo
formattato.
Con la scelta degli opportuni tag, dei loro attributi, imponendone la giusta disposizione, abbiamo così
creato lo Schema XML secondo le Guidelines del TEI che rappresenta la struttura propria delle fonti
giuridiche dell’antichità.
6 / 13
Relazione attività del primo anno del progetto "BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
1. La traduzione delle fonti
Poiché i file CDS non seguono alcuna struttura (come evidenziato supra non sono RTF validi), è stato
necessario realizzare la conversione nel formato XML/TEI in due fasi a sé stanti. La prima fase
consiste nella conversione dei file dal formato d’origine in XML senza perdita d’informazione, mediante
la creazione di un apposito parser; nella seconda fase, le informazioni contenute nel file XML prodotto
precedentemente vengono strutturate in XML/TEI.
Per l’implementazione del parser relativo alla prima fase di conversione sono stati utilizzati JLEX (un
generatore di analizzatori lessicali) e CUP (un generatore di parser LALR per Java).
La seconda fase è stata realizzata mediante un convertitore scritto appositamente in linguaggio PHP.
Alla fine delle due fasii di conversione dei dati si ottiene un file per ogni fonte, valido secondo lo
Schema XML/TEI.
Di seguito viene riportato un esempio delle due fasi di conversione di un brano dei Digesta dal formato
CDS al formato finale XML/TEI.
Figura 1 - Brano Digesta in formato CDS
7 / 13
Relazione attività del primo anno del progetto "BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
Figura 2 - Brano Digesta in formato XML intermedio
Figura 3 - Brano Digesta in formato XML/TEI
8 / 13
Relazione attività del primo anno del progetto "BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
2. Mapping di OPERA
Per la conversione dei file relativi all’archivio bibliografico Opera è stato utilizzato il formato standard
internazionale Dublin Core, nella versione qualified. Seguendo le specifiche della Dublin Core
Metadata Initiative è stata adattata una sua implementazione XML. È stata così effettuata la
mappatura dei dati contenuti nell’archivio Opera con il formato del Dublin Core:
Dublin Core
Opera
dc:title
Titolo
dc:creator
Autore
dc:subject.class
Codice di classificazione
dc:subject.bias
Descrittore
dc:description
Sommario / Abstract
dc:publisher
Luogo e Editore
dc:date
dc:date.start / dc:date.end
Anno
Intervallo anni
dc:type
non presente
dc:format
Pagine o Intervallo pagine
dc:identifier
non presente
dc:relation.ispartof
Titolo della rivista di pubblicazione
dc:relation.references
Luogo fonte citato
Tabella 1 - Mapping campi di Opera in Dublin Core
3.
Traduzione in Dublin Core
La traduzione dei dati di Opera viene effettuata mediante un’unica fase di conversione, a meno di un
semplice preprocessing per i file Microsoft Word relativi ai recenti spogli bibliografici prodotti dalle altre
unità di ricerca. Il traduttore è stato implementato in linguaggio PHP e oltre alla conversione dei campi
esistenti in Opera crea e compila automaticamente dei nuovi tag Dublin Core.
9 / 13
Relazione attività del primo anno del progetto "BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
Il tag <dc:type> distingue tre tipologie del dato bibliografico: lo spoglio, il periodico o la monografia.
Queste vengono identificate mediante l’analisi automatica di alcune informazioni rilevanti contenute
nei file dell’archivio Opera. Ad esempio, i periodici vengono identificati dalla presenza del codice di
classificazione (“CL”) 2.6.5;
.6.5; spogli e periodici vengono riconosciuti dalla presenza dell’etichetta “P”
che indica l’entità responsabile della produzione della risorsa, e l’etichetta “TP” che indica il riferimento
ad una risorsa correlata (titolo della rivista spogliata).
Per rispettare
pettare gli standard internazionali e semplificare la futura interoperabilità dell’archivio
bibliografico con quello delle fonti è stato anche introdotto un identificatore univoco (numerico) da
associare ad ogni risorsa dell’archivio. Questo tag, <dc:identifier>
ifier>, viene compilato in
automatico durante la conversione nel formato XML nel modo seguente: viene creato un numero a
otto cifre concatenando l’anno (in quattro cifre) del dato bibliografico e un numero progressivo
dell’intervallo 0000-9999.
Mentre nei file di origine i valori multipli venivano inseriti nel medesimo campo separati da un
elemento carattere di punteggiatura scelto arbitrariamente, per rispettare lo standard DC, durante la
conversione
è
stato
assegnato
un
valore
per
ogni
elemento
XML
<dc:creator>,
<dc:relation.references>, <dc:subject.class> e <dc:subject.bias>.
Gli intervalli temporali sono stati sciolti in due valori etichettati con <dc:date.start> e
<dc:date.end>.. È stata riconosciuta la presenza del titolo della rivista nel generico campo
camp
pubblicazione che nello standard Dublin Core dovrebbe contenere solo informazioni relativa all’editore
e il luogo di pubblicazione; nelle schede degli articoli (con type=”spoglio”) il titolo della rivista di
pubblicazione è stato etichettato con <dc:relation.ispartof>.
Di seguito un esempio della traduzione di una scheda bibliografica.
Figura 4 - Scheda Opera in formato CDS
10 / 13
Relazione attività del primo anno del progetto "BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
Figura 5 - Scheda Opera in formato XML/DC
4. Infrastruttura portale e database
Secondo obiettivo dell’unità CNR, come accennato supra,, è la creazione di un prototipo di portale web
verticale per la comunità scientifica dei diritti dell’antichità. Questo deve essere realizzato con logica
open source,, mettendo a disposizione diversi strumenti avanzati per l’accesso ai dati. Si deve
realizzare un motore di ricerca semantico e meccanismi facilitati per l’inserimento, la modifica,
l’esportazione e il salvataggio dei dati immagazzinati.
Gli archivi sono stati precedentemente digitalizzati secondo standard XML. I file XML prodotti sono
concettualmente
ncettualmente diversi: si hanno documenti XML Document-centric
Document centric (in formato TEI) e documenti
XML Data-centric
centric (in formato Dublin Core).
Document-centric
Data-centric
centric
struttura
poco regolare
regolare
granularità
bassa
alta
ordine tag
rilevante
non rilevante
Tabella 2 - Document-centric vs Data-centric
La scelta di un sistema di gestione dati appropriato si basa soprattutto sulla tipologia dei documenti
XML da trattare. Infatti i file document
document-centric e data-centric,
centric, malgrado la loro differenza non sia
11 / 13
Relazione attività del primo anno del progetto "BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
sempre netta, presentano varie caratteristiche che sono fondamentali per la loro rappresentazione nel
database ai fini di ottenere migliori prestazioni.
I sistemi che sono ottimali per i document-centric sono in grado di gestire in modo opportuno anche i
data-centric, al contrario sistemi ottimizzati per gestione dei data-centric non riescono a trattare in
maniera adeguata i document-centric.
Tra i sistemi di gestione dati che operano con file document-centric vi sono i DAMS (Digital Asset
Management System). Si è pensato di poter usufruire dei benefici di un sistema DAMS per
l’archiviazione e catalogazione di risorse multimediali ai fini del progetto BIA-Net; in particolare
pensando una sua futura espansione consistente nel collegare via web varie forme di dati di interesse
dello studioso romanista, quali immagini di testi, di papiri, video. Si è cercato di capire se e come poter
utilizzare il progetto di portale PinakesText per gli scopi di BIA-Net, mediante un’attenta analisi del
prodotto.
Ma al momento lo stato di realizzazione di PinakesText non è compiuto, inoltre considerato che le
potenzialità e le molte utility di PinakesText mal si conciliano con le esigenze di una relativamente
semplice banca dati, risulta più opportuno valutare altri sistemi di gestione.
Si è passato, quindi, allo studio delle diverse tipologie di database per capire quale meglio
rispondesse alle nostre esigenze.
XML-Enabled
Native XML
unità base
record in tabelle
nodo xml
DTD o Schema
necessario
non necessario
interrogazioni
SQL
XQuery
dati XML
data-centric
document-centric
Tabella 3 - XML-Enabled vs Native XML
Dall’analisi si è stata evidenziata la necessità di utilizzare un database che gestisca in modo ottimale i
document-centric, che sia modulare, ben documentato e supportato dalla comunità degli utilizzatori,
aggiornato, open source e portabile. La scelta è caduta sul native XML database management system
eXist. Tale sistema, realizzato interamente in ambiente Java, mette a disposizione un’interfaccia per lo
sviluppo di moduli aggiuntivi, incorpora un modulo per l’indicizzazione dei testi (Lucene) e opera sui
dati XML direttamente con il linguaggio XQuery.
12 / 13
Relazione attività del primo anno del progetto "BIA-Net – Accesso in rete alla Bibliotheca Iuris Antiqui"
Riferimenti
[1]
Bibliotheca Iuris Antiqui. BIA2000. Sistema informativo integrato sui diritti dell'antichità 2002. Direzione
scientifica di N. Palazzolo, Catania, Torre + CD-ROM.
[2]
N. Palazzolo, Strumenti informatici e lessicografici come ausilio per la traduzione del Digesto. In: F.Sini R.Ortu a cura di. Atti del Convegno "Scientia iuris e linguaggio nel sistema giuridico romano". 2002. (pp.
87). Milano: Giuffrè.
[3]
O. Licandro - D. Spampinato, Bibliotheca Iuris Antiqui. Bilancio e prospettive, in Informatica e diritto (1997)
fasc. 1, 191 ss.
[4]
N. Palazzolo - L. Maggio, Elementi di informatica romanistica, 2001, Catania, Torre.
[5]
D. Canali, Standard per la biblioteca digitale, 2006, Milano, Bibliografica.
[6]
A. Salarelli, A.M. Tammaro, La biblioteca digitale, 2006, Milano, Bibliografica.
[7]
RFC 3629 (nov. 2003) UTF-8, a transformation format of ISO 10646 <http://tools.ietf.org/html/rfc3629>.
[8]
UNICODE UTF-8 <http://unicode.org/resources/utf8.html>.
[9]
Text Encoding Initiative <http://www.tei-c.org.>
[10] TEI P5 2007, Guidelines for electronic Text Encoding and Interchange, TEI Consortium (eds.).
<http://www.tei-c.org/Guidelines/P5/>.
[11]
Dublin Core Metadata Initiative <http://dublincore.org/>.
[12]
PinakesText <http://www.pinakes.org>.
[13]
W. Meier, eXist: An Open Source Native XML Database, Paper presented at “Web, Web-Services, and
Database Systems. NODe”, 2002, Erfurt, Germany.
[14]
eXist-db Open Source Native XML Database <http://exist.sourceforge.net/>.
13 / 13