Section 7 - Formats de représentation de l'information

Nous avons vu jusqu'ici comment représenter des entités simples comme les nombres ou les caractères.

Il s’agit maintenant de représenter des objets numériques plus complexes et pouvant contenir du texte, des images, des graphiques, du son, de la vidéo. Ces différentes catégories d’informations pouvant par ailleurs être rassemblées, organisées, combinées au sein de documents appelés multimédias.

La représentation de ces objets pose d'autres problèmes qui se superposent aux précédents.

Origine

Dès les années 1970 et au début des années 1980, IBM étudie la possibilité de stocker des textes sur ordinateur.

Trois de ses ingénieurs conçoivent un langage de balisage destiné à séparer les instructions de style et le contenu des documents ; Charles Goldfarb, Edward Mosher et Raymond Lorie nomment ce langage de leurs initiales : GML.

Les travaux d'IBM sont repris par l'ISO et conduisent à la norme ISO 8879/1986 baptisée SGML.

SGML signifie Standardized General Markup Language.

Concepts

Deux concepts essentiels sont introduits par SGML :

• la séparation du contenu et du style : le contenu est ce qu'il faut pérenniser, un même contenu peut être utilisé avec différents styles

• • papier

• • écran

• • téléphone portable

• la structure du document est aussi importante à pérenniser que son contenu : le balisage est le moyen d'y parvenir ; cela permet d’affecter une véritable sémantique aux différents éléments de la structure (titre de document, titre de chapitre, glossaire, note de bas de page,…).

De SGML à XML

En dehors de grands centres de documentation technique, il n’y aura que fort peu d'applications de SGML jusqu'en 1990. La mise en œuvre reste complexe, les outils logiciels sont coûteux.

En 1990, Tim Berners Lee crée le Web avec HTML (Hypertext Markup Language) qui est un langage construit sur les principes de SGML. A la suite des évolutions anarchiques de HTML entre 1993 et 1996, le W3 Consortium crée un groupe de travail pour dépoussiérer SGML et en faire une version allégée pour les réseaux.

Cela aboutit à la Recommandation du W3C : Extensible Markup Language (XML) 1.0 du 10 Février 1998.

Principes

XML est un métalangage (ou une grammaire) permettant d'écrire des langages qui auront les propriétés suivantes :

• ils seront tous conformes à XML, c'est à dire qu'ils partageront la même syntaxe, les mêmes règles et pourront donc être manipulés par des outils génériques;

• ils seront interopérables c'est à dire qu'on pourra créer des documents composites où coopèreront plusieurs langages XML ;

• ils seront balisés de telle sorte qu'ils matérialiseront la structure du document ; le contenu et le style seront séparés.

Ainsi tout document XML pourra être :

• vérifié par un analyseur syntaxique (appelé aussi « parseur »),

• mis en forme : cette mise en forme peut être réalisée par les langages CSS (Cascading Style Sheets : feuilles de style en cascade) ou XSL-FO (eXtensible Stylesheet Language - Formatting Objects). CSS et XSL-FO sont deux standards du W3C,

• transformé par le langage de transformation XSLT (eXtensible Stylesheet Language Transformations), ce qui permettra de composer des documents à partir de plusieurs autres documents, ou encore de produire plusieurs versions du même document en fonction des destinataires, etc.

Langages et formats

Lorsqu'un document a été structuré par le langage XML, on connaît en pratique l'ensemble des règles d'organisation de l'information au sein de ce document. A ce titre, XML peut donc être considéré comme un format. C’est un format ouvert, lisible par les ordinateurs et les humains. XML utilise le jeu de caractères d'Unicode et permet l'utilisation de différents encodages dont UTF-8 qui est le codage par défaut. XML est standardisé par le W3C.

Il existe à ce jour des centaines, peut-être des milliers de langages XML dédiés à des applications métier particulières. Un grand nombre de formats de données et de métadonnées dans les domaines les plus divers s'appuient sur la syntaxe XML. Certains sont assez génériques pour être largement employés

• SMIL (Synchronized Multimedia Interface Language) pour les documents multimédia,

• SVG (Scalable Vector Graphics) pour les graphismes vectoriels 2D,

• Xforms pour les formulaires.

XML n’est pas normalisé par l'ISO mais de nombreuses normes ISO s'appuient sur lui. Il bénéficie d’un grand nombre d’outils pour toutes plates-formes.

XML, un atout pour la pérennisation des documents numériques

• XML est un format ouvert standardisé par le W3 Consortium et mondialement utilisé dans tous les secteurs d’activité,

• XML est lisible par les humains et les ordinateurs et peut donc être transcodé sans difficultés. Il est syntaxiquement vérifiable,

• XML dissocie le contenu et le style et permet donc d'associer différents styles à un même contenu,

• XML est interopérable et ne dépend donc pas de la plateforme informatique utilisée,

• XML ne dépend que de l'encodage des caractères qui est assuré par UTF-8

Documents en texte intégral

On parle aussi de texte but, de texte simple (Plain Text), ce sont les documents qui portent une extension .txt sous Windows.

C’est un format ouvert dont le contenu va dépendre de l’encodage des caractères. En pratique, le document se réduit à une suite de caractères, d’espaces et de retours à la ligne.

Il existe de très nombreux outils d’édition, de manipulation, de conversion sur tous les systèmes d’exploitation.

Les documents en texte intégral ne posent pas de difficulté quant à leur pérennisation dès lors qu'on a mémorisé le codage utilisé. Cependant, ce sont des documents pauvres contenant du texte sans structure et sans style.

Formats bureautiques :

Il existe un certain nombre de formats utilisés par les suites logicielles bureautiques.

Nous ne citerons que les deux principaux

• ODF (Open Document Format)

• et OOXML (Office Open XML).

La situation à l'égard des formats des documents bureautiques a évolué de façon spectaculaire au cours des dernières années. ODF parait être actuellement la meilleure base pour l'archivage long terme dès que l'on souhaite archiver des documents sous une forme révisable. Nous ne saurions prédire ce qu'il adviendra dans le futur. Les épisodes passés nous incitent à rester prudents dans ce domaine.

Il existe deux types de description pour les images :

• Les images à description de pixel. Chaque pixel de l'écran est affecté individuellement d'un ou de plusieurs nombres entiers représentant sa luminosité, sa couleur ou son opacité. Ces images sont faciles à mettre en œuvre mais d'une précision limitée si l'on veut rester avec des volumes raisonnables. Il pourra s'agir d'images obtenues par numérisation ou d'images nativement numériques comme c'est le cas pour les photographies. Le nombre de formats de ce type est très important (plusieurs centaines),

• Les images à description vectorielle. Les objets de la scène sont décrits de façon mathématique dans un espace orthonormé. La description est alors aussi précise que nécessaire. Il s’agira par exemple de graphiques mathématiques ou statistiques.

Les formats audiovisuels et les formats sonores constituent un domaine techniquement complexe. Cependant, les critères d'évaluation des formats par rapport à l’archivage numérique s'appliquent entièrement.

Une distinction systématique sera faite entre la spécification du format qui définit le mode d'encapsulation du contenu, c'est à dire l'organisation de l'information au sein d'un conteneur et l'encodage proprement dit de l'information qui utilisera souvent un algorithme de compression des données visant à réduire leur volume. Nous ne donnons ici que quelques indications générales sur une sélection de formats existants.

Les formats audio sont des formats « enveloppe », appelés aussi format « conteneur ». Au sein de ces formats, l’information audio peut être codée et compressée de différentes manières. Pour définir entièrement la représentation audio, il convient donc à chaque fois de préciser le type de codage qui sera utilisé.

Des recommandations sur les formats sonores sont émises par l'IASA (International Association of Sound and Audiovisual Archives). Il n’y a pas malheureusement pas d’équivalent pour la vidéo.

Nous présentons ici une courte synthèse des principaux formats.

Comme pour les formats audio, on distinguera les formats « conteneur » des algorithmes de codage et décodage des données vidéo. Ces algorithmes sont appelés « codec » (pour codage-décodage).

Les données vidéo font l’objet d’une organisation complexe et le choix d’un format pour la conservation mérite systématiquement une analyse spécifique. Nous proposons ici quelques éléments comme une base de réflexion préalable et non exhaustive.

Jusqu’à maintenant, nous avons essentiellement parlé des formats de représentation ouverts ou propriétaires, qui sont disponibles sur le marché et pour lesquels il existe des logiciels d’écriture, de lecture, de conversion, etc.

De nombreuses entreprises ou institutions développent leurs propres applications logicielles afin de répondre à leurs besoins. Les données numériques produites par ces applications ont donc un format propre à ces applications.

Au lieu de s’appuyer sur une documentation descriptive du format disponible dans un organisme de normalisation ou chez son propriétaire, il sera nécessaire ici, de réaliser sa propre documentation descriptive des données. Cette description devra impérativement :

• être complète,

• être précise,

• avoir été validée de façon rigoureuse.

La présentation des méthodes de description des formats de données sort du cadre du présent cours mais il est bon de savoir :

• que des méthodes de description formelle existent. Ces méthodes permettent de produire une description du format qui sera interprétable aussi bien par des personnes que par des logiciels,

• que des outils permettent alors de s’assurer de la cohérence entre un document numérique et la description formelle de son format.