Accès à l'information textuelle hétérogène

Résumé	Définition et instrumentation d'un format pivot de documents basé sur XML
Encadreur	Lionel Médini
Nombre de personnes (min-max)	1-2
Compétences requises	XML, langage Java
Formation	mil, miage
Importance (A-E)	A
Mots-clefs (séparés par une virgule)	XML, Java, Documents Virtuels, Gestion électronique de documents.

Contexte : les documents textuels électroniques échangés sur le web ou sur les intranets peuvent être dans des formats très divers. Cela peut poser des problèmes pour leur visualisation et rendre problématique leur indexation pour la recherche documentaire.

Objectifs : L'objectif de ce stage est de proposer un format de stockage intermédiaire commun pour tous ces formats. Ce format, basé sur XML, doit permettre l'homogénéisation de toutes ces sources d'information. Une fois ce format défini, il s'agira de proposer des outils simples permettant de l'utiliser.

Travail à réaliser : Le travail comporte deux étapes :

dans un premier temps, le (la) stagiaire devra spécifier la structure du format pivot (grâce à une DTD ou un schéma XML) et réaliser des " filtres " permettant de convertir les formats de fichiers les plus courants (HTML, XML, PS, PDF, Word/RTF…),
dans un deuxième temps, le (la) stagiaire devra instrumenter ce format. Il lui sera demandé d'écrire une feuille de style XSLT permettant de visualiser tous ces documents de manière homogène. En fonction du temps restant, l'instrumentation de ce format pourra aussi comprendre un moteur de recherche simple.

Remarques :

Ces spécifications pourront (et autant que possible devront) reprendre des travaux existants sur le web. Par conséquent, le stage débutera par un état de l'art de ces travaux.
Le format pivot doit permettre d'extraire des documents : leur contenu textuel, les méta-données (s'il y en a) et éventuellement les informations de mise en forme (numéros de page, de colonne, de paragraphe, de ligne et de mot), pour pouvoir retrouver chaque mot dans le document d'origine.
La feuille de style fera apparaître le titre, le format d'origine du document, un lien vers le document source, les éventuelles méta-données et le contenu du document.
Pour les documents dont le format d'origine est XML, il faudra prendre en compte la définition de leur structure (DTD ou schéma) et étudier dans quelle mesure cette structure peut être incluse dans le format pivot.

Aspects techniques : L'association de XML, XSLT et CSS, permettra de générer des sorties en XHTML virtuel. Une connaissance de tous ces langages n'est pas nécessaire a priori, même si elle serait un plus. Les divers développements seront réalisés en Java et si possible, un démonstrateur sera réalisé en servlet/JSP sur un serveur Java de type Tomcat.