TEI 標準與應用：XML 編碼技術於數位人文領域實踐

– 15 分鐘閱讀

TEI 允許研究者以標準化的方式標記文字，從而方便資料交換、分析和處理。其結構化的標記方式，有助於電腦理解文字的語義和結構，進而實作更精確的文字分析和檢索。TEI 的應用範圍涵蓋文字編碼、數點陣圖書館、文字分析、數位出版等多個領域，對於促進數位人文研究發展至關重要。理解 TEI 的核心元素，如 <teiHeader>、<fileDesc>、<text> 等，以及其語言學特徵的表示方法，是有效運用 TEI 的關鍵。此外，TEI 與 CDL 等技術的結合，更能提升其在數位典藏和文字分析方面的應用價值。

teiHeader 元素

teiHeader 元素是 TEI 檔案中的一個重要部分，它包含了檔案的後設資料。teiHeader 元素可以分為幾個部分：

  1. fileDesc 元素：描述檔案的基本資訊，例如檔案的標題、作者、出版資訊等。
  2. encodingDesc 元素：描述檔案的編碼資訊，例如檔案的字元編碼、格式等。
  3. profileDesc 元素：描述檔案的非書目學方面，例如檔案的語言、風格等。
  4. revisionDesc 元素：描述檔案的修訂歷史。

fileDesc 元素

fileDesc 元素是 teiHeader 元素中的一個重要部分，它包含了檔案的基本資訊。fileDesc 元素可以分為幾個部分：

  • titleStmt 元素：包含檔案的標題。
  • publicationStmt 元素：包含檔案的出版資訊。
  • sourceDesc 元素：包含檔案的源資訊。

TEI 的應用

TEI 被廣泛應用於數字人文領域，例如：

  • 文字編碼和標記
  • 數字圖書館和檔案館
  • 文字分析和查詢
  • 數字出版和發行
內容解密：

上述內容介紹了 TEI 檔案的結構和要素，包括 teiHeader、fileDesc、encodingDesc、profileDesc 和 revisionDesc。同時，也介紹了 TEI 的應用領域，例如文字編碼和標記、數字圖書館和檔案館、文字分析和查詢等。透過這些內容，讀者可以更好地理解 TEI 的基本概念和應用。

  graph LR
    A[TEI 檔案] -->|包含|> B[teiHeader]
    B -->|包含|> C[fileDesc]
    C -->|包含|> D[titleStmt]
    C -->|包含|> E[publicationStmt]
    C -->|包含|> F[sourceDesc]
    B -->|包含|> G[encodingDesc]
    B -->|包含|> H[profileDesc]
    B -->|包含|> I[revisionDesc]

圖表翻譯：

上述圖表展示了 TEI 檔案的結構和關係。TEI 檔案包含 teiHeader，而 teiHeader 又包含 fileDesc、encodingDesc、profileDesc 和 revisionDesc。fileDesc 中包含 titleStmt、publicationStmt 和 sourceDesc。這個圖表有助於讀者更好地理解 TEI 檔案的組織結構。

XML及TEI編碼簡介

XML（Extensible Markup Language）是一種用於標記電子檔案的語言，TEI（Text Encoding Initiative）則是一種根據XML的標準，專門用於編碼和交換文字資料。

XML基本概念

  • XML檔案由元素（element）組成，每個元素代表檔案中的一個單位。
  • 元素由標籤（tag）組成，標籤用於定義元素的名稱和屬性。
  • XML檔案必須有一個根元素（root element），所有其他元素都包含在根元素中。

TEI編碼簡介

  • TEI是一種根據XML的標準，專門用於編碼和交換文字資料。
  • TEI提供了一套標準的元素和屬性，用於描述文字的結構和內容。
  • TEI編碼可以用於各種文字資料，包括書籍、文章、詩歌等。

TEI編碼範例

以下是TEI編碼的一個範例：

<TEI>
    <teiHeader>
        <fileDesc>
            <titleStmt>
                <title>書籍標題</title>
                <author>作者名稱</author>
            </titleStmt>
        </fileDesc>
    </teiHeader>
    <text>
        <front>
            <p>書籍前言</p>
        </front>
        <body>
            <div>
                <p>書籍內容</p>
            </div>
        </body>
    </text>
</TEI>

在這個範例中，<TEI>是根元素，<teiHeader>用於描述檔案的元資料，<text>用於描述檔案的內容。

XML及TEI在資料交換中的應用

XML及TEI在資料交換中的應用非常廣泛，包括：

  • 資料交換：XML及TEI可以用於交換各種資料，包括文字、圖片、音訊等。
  • 資料儲存：XML及TEI可以用於儲存各種資料，包括文字、圖片、音訊等。
  • 資料查詢：XML及TEI可以用於查詢各種資料，包括文字、圖片、音訊等。

TEI 標準簡介

TEI（Text Encoding Initiative）是一種用於編碼和表示電子文字的標準。它提供了一套全面性的元素和屬性，用於描述文字的結構、內容和語言特點。

TEI 標準的組成

TEI 標準由多個部分組成，包括：

  • TEI Header：提供檔案的基本資訊，例如檔案的標題、作者、出版日期等。
  • Common Core：是一個大型的標準模組，包含了許多子模組，例如標準文字元素、編輯變更、實體、列表、註解等。
  • Linguistic Corpora：提供了一個 teiCorpus 元素，用於包含多個檔案，並提供了額外的描述符，例如文字描述、參與者描述、設定描述等。

TEI 標準的元素

TEI 標準提供了許多元素，用於描述文字的結構和內容。一些常見的元素包括：

  • p：段落
  • emph：強調
  • foreign：外語詞彙或短語
  • q：引言
  • said：語音或想法
  • listPerson：人物列表
  • person：人物描述

TEI 標準的應用

TEI 標準在數字人文學、語言學、文學研究等領域中得到廣泛應用。它提供了一種標準化的方式，用於編碼和表示電子文字，從而方便了文字的查詢、分析和比較。

程式碼範例

以下是 TEI 標準的程式碼範例：

<TEI>
  <teiHeader>
    <fileDesc>
      <titleStmt>
        <title>TEI 標準簡介</title>
      </titleStmt>
    </fileDesc>
  </teiHeader>
  <text>
    <front>
      <p>TEI 標準是一種用於編碼和表示電子文字的標準。</p>
    </front>
    <body>
      <div>
        <head>TEI 標準的組成</head>
        <p>TEI 標準由多個部分組成，包括 TEI Header、Common Core、Linguistic Corpora 等。</p>
      </div>
    </body>
  </text>
</TEI>

圖表翻譯

以下是 TEI 標準的圖表翻譯：

  graph LR
  A[TEI 標準] --> B[TEI Header]
  A --> C[Common Core]
  A --> D[Linguistic Corpora]
  B --> E[檔案描述]
  C --> F[標準文字元素]
  D --> G[文字描述]

內容解密

TEI 標準提供了一種標準化的方式，用於編碼和表示電子文字。它包括了多個部分，例如 TEI Header、Common Core、Linguistic Corpora 等。TEI 標準的元素用於描述文字的結構和內容，例如段落、強調、外語詞彙或短語等。TEI 標準在數字人文學、語言學、文學研究等領域中得到廣泛應用。

TEI 標籤系統與語言學註解

TEI（Text Encoding Initiative）是一種用於標籤和註解數字文字的標準，特別是在人文和社會科學領域。它提供了一套豐富的元素和屬性，用於描述文字的結構、語言和語義特徵。

文字描述

在 TEI 中，文字描述（textDesc）是一個重要的元素，用於描述文字的內容和結構。它可以包含多個子元素，例如 domain、factuality、interaction、preparedness 和 purpose，用於描述文字的主題、事實性、互動性、準備度和目的等方面。

例如：

<textDesc>
  <domain type="domestic">計劃下週的活動，當地事務</domain>
  <factuality type="mixed">主要是事實，有一些笑話</factuality>
  <interaction type="complete" active="plural" passive="many"/>
  <preparedness type="spontaneous"/>
  <purpose type="entertain" degree="high"/>
  <purpose type="inform" degree="medium"/>
</textDesc>

參與者描述

TEI 也提供了一個 person 元素，用於描述參與對話的個人。這個元素可以包含多個子元素，例如 sex、age、birth、langKnowledge、residence、education、occupation 和 socecStatus，用於描述個人的性別、年齡、出生日期、語言知識、居住地、教育背景、職業和社會經濟地位等方面。

例如：

<person sex="2" age="mid">
  <birth when="1950-01-12">
    <date>12 Jan 1950</date>
    <name type="place">Shropshire, UK</name>
  </birth>
  <langKnowledge tags="en fr">
    <langKnown level="first" tag="en">English</langKnown>
    <langKnown tag="fr">French</langKnown>
  </langKnowledge>
  <residence>長期居住於 Hull</residence>
  <education>大學研究生</education>
  <occupation>未知</occupation>
  <socecStatus scheme="#pep" code="#b2"/>
</person>

設定描述

TEI 的 settingDesc 元素用於描述對話的設定，包括時間、地點、活動等方面。這個元素可以包含多個子元素，例如 setting、name、date、locale 和 activity，用於描述設定的詳細資訊。

例如：

<settingDesc>
  <setting who="#p1 #p2">
    <name type="city">Bedford</name>
    <name type="region">UK: South East</name>
    <date>早春，1989</date>
    <locale>郊區住宅的客廳</locale>
    <activity>玩耍</activity>
  </setting>
</settingDesc>

語言學註解

TEI 也提供了一些元素用於語言學註解，例如 s、phr 和 w，用於描述句子、短語和詞彙的結構和語義特徵。這些元素可以用於描述語言的句法、語義和語用特徵。

例如：

<s>
  <phr>
    <w> Daleks </w>
  </phr>
  <phr>
    <w> are </w>
    <w> coming </w>
  </phr>
</s>

這個例子描述了一個句子的結構，包括兩個短語和四個詞彙。

自然語言處理中的句法樹

在自然語言處理（NLP）中，句法樹是一種用於表示句子結構的樹狀圖。它描述了句子中詞語之間的語法關係，包括主謂賓、修飾關係等。

句法樹的組成

句法樹由多個節點組成，每個節點代表一個詞語或短語。節點之間的連線線表示詞語之間的語法關係。根據句法樹的型別，不同的節點和連線線可能具有不同的含義。

TEI 標記語言

TEI（Text Encoding Initiative）是一種用於標記和編碼文字的標準。它提供了一種統一的方式來表示文字的結構和語法關係。在 TEI 中，句法樹可以使用 <s>、<phr> 和 <w> 等元素來表示。

範例

以下是一個簡單的句法樹範例，使用 TEI 標記語言表示：

<s type="sentence">
  <phr ana="#NP">
    <w ana="#DET">The</w>
    <w ana="#NN">Doctor</w>
  </phr>
  <phr ana="#VP">
    <w ana="#V" lemma="save">saved</w>
    <phr ana="#NP">
      <w ana="#NN">Clara</w>
    </phr>
    <phr ana="#PP">
      <w ana="#PRE">from</w>
      <phr ana="#NP">
        <w ana="#DET">the</w>
        <w ana="#NN" lemma="Dalek">Daleks</w>
      </phr>
    </phr>
  </phr>
</s>

在這個範例中，<s> 元素表示一個句子，<phr> 元素表示一個短語，<w> 元素表示一個詞語。ana 屬性用於指定詞語或短語的語法關係，例如 #NP 表示一個名詞短語，#V 表示一個動詞。

解釋群組

TEI 中的解釋群組（<interpGrp>)用於定義檔案中使用的關鍵字和語法關係。以下是一個簡單的解釋群組範例：

<interpGrp type="POS">
  <interp xml:id="S">Sentence</interp>
  <interp xml:id="NP">Noun phrase</interp>
  <interp xml:id="VP">Verb phrase</interp>
  <interp xml:id="PP">Prepositional phrase</interp>
</interpGrp>

在這個範例中，<interpGrp> 元素定義了一組關鍵字和語法關係，包括句子、名詞短語、動詞短語和介詞短語。

TEI 標準與語言學特徵的表示

TEI（Text Encoding Initiative）是一種標準化的XML格式，用於表示數字文字的結構和語言學特徵。它提供了一種通用的方法來表示文字的結構、語言學特徵和其他相關資訊。

TEI 的基本元素

TEI 的基本元素包括 <w>、<u>、<incident>、<vocal>、<kinesic> 等。這些元素用於表示文字的基本單位，例如單詞、陳述式、發音、手勢等。

語言學特徵的表示

TEI 提供了一種機制來表示語言學特徵，例如發音、語調、語氣等。這些特徵可以使用 <shift>、<prosody>、<speech> 等元素來表示。

時間軸和同步

TEI 還提供了一種機制來表示時間軸和同步。這可以使用 <timeline>、<when>、<anchor> 等元素來實作。

範例

以下是一個簡單的範例，展示瞭如何使用 TEI 來表示語言學特徵和時間軸：

<u who="#Rory">
  <anchor synch="#TS-t01"/>No! No!
  <kinesic>
    <desc>Rory shoots Amy.</desc>
  </kinesic>
  <shift new="shouting"/>No! No! No!
</u>
<incident>
  <desc>Rory's gun hand activates.</desc>
</incident>
<timeline origin="#TS-t01" unit="s">
  <when xml:id="TS-t01" absolute="15:33:01Z"/>
  <when xml:id="TS-t02" interval="2.5" since="#TS-t01"/>
</timeline>

這個範例展示瞭如何使用 TEI 來表示語言學特徵，例如發音、語調、語氣等，並且如何使用時間軸和同步來表示陳述式之間的關係。

玄貓對於TEI的理解和應用

在數字人文領域，TEI（Text Encoding Initiative）是一種被廣泛使用的標準，用於編碼和表示數字文字。玄貓作為一名技術專家，對於TEI有著深入的理解和實踐經驗。

TEI的基本概念

TEI是一種根據XML的文字編碼標準，用於表示文字的結構和內容。它提供了一套標準化的元素和屬性，用於描述文字的各個方面，包括結構、語法、語義等。

TEI的應用

TEI在數字人文領域有著廣泛的應用，包括：

  • 文字編碼和表示
  • 文字分析和處理
  • 文字查詢和檢索
  • 文字視覺化和呈現

玄貓的TEI實踐

玄貓在實踐中，對於TEI有著深入的理解和應用。他使用TEI標準編碼和表示文字，實作了文字的結構化和標準化。同時，他也使用TEI的查詢和檢索功能，實作了文字的快速查詢和檢索。

TEI的編碼和表示

玄貓使用TEI標準編碼和表示文字，包括：

  • 文字的結構化：使用TEI的元素和屬性，描述文字的結構和內容。
  • 文字的標準化：使用TEI的標準化元素和屬性，實作文字的標準化和一致性。

TEI的查詢和檢索

玄貓使用TEI的查詢和檢索功能，實作了文字的快速查詢和檢索，包括：

  • 文字的查詢：使用TEI的查詢語言，查詢文字的內容和結構。
  • 文字的檢索：使用TEI的檢索功能，檢索文字的相關資訊和內容。
圖表翻譯：

此圖表描述了玄貓對於TEI的理解和應用過程。首先，玄貓使用TEI標準編碼和表示文字，實作文字的結構化和標準化。接著，玄貓使用TEI的查詢和檢索功能，查詢和檢索文字的相關資訊和內容。最終，玄貓呈現了查詢和檢索的結果，實作了文字的快速查詢和檢索。

XML、TEI和CDL技術應用

13.2 TEI技術概述

TEI（Text Encoding Initiative）是一種用於標記和交換數字文字的標準。它提供了一種通用的框架，用於表示文字的結構和內容。TEI被廣泛用於數字人文、數字圖書館和其他領域。

13.2.7 字典資料結構

字典資料結構是由LMF（Lexical Markup Framework）標準所定義的。LMF是一種根據UML的框架，用於描述字典資料的結構和內容。TEI標準的第四部分描述了LMF在TEI標記中的序列化。

字典編碼示例

以下是使用TEI標記編碼的字典條目示例：

<entry xml:id="ping">
  <form>
    <orth>ping</orth>
    <pron>pɪŋ</pron>
  </form>
  <etym>從潛水艇的聲納脈衝術語而來</etym>
  <sense n="1">
    <gramGrp><pos>noun</pos></gramGrp>
    <def>網路訊息的俚語術語（<mentioned>ICMP ECHO</mentioned>）</def>
    <xr type="see">見<ref target="#ACK"/>,也見<ref target="#ENQ"/></xr>
  </sense>
  ...
</entry>

這個示例展示瞭如何使用TEI標記編碼字典條目，包括詞形、詞源、詞義和例句等資訊。

XPath和#string-range函式

XPath是一種用於查詢和操縱XML檔案的語言。#string-range函式是一種用於提取XML檔案中特定字串的函式。以下是使用#string-range函式提取字串的示例：

#string-range(//lg[@xml:id='g'],163,186,208,219)

這個示例展示瞭如何使用#string-range函式提取XML檔案中特定字串。

結合Python、Rust和Mojo

以下是使用Python、Rust和Mojo的混合語言AI代理的示例：

from rust_io import read_sensors
from mojo_compute import transform_data
from transformers import pipeline

device_data = read_sensors("MEDICAL_DEVICE")
processed_data = transform_data(device_data)
anomaly_result = pipeline("anomaly-detection", model="medical/transformer")(processed_data)

這個示例展示瞭如何使用Python、Rust和Mojo的混合語言AI代理來處理醫療裝置資料。

圖表翻譯：

  flowchart TD
    A[開始] --> B[資料採集]
    B --> C[資料處理]
    C --> D[異常檢測]
    D --> E[結果輸出]

這個圖表展示了混合語言AI代理的工作流程，包括資料採集、資料處理、異常檢測和結果輸出等步驟。

13.3 CDL：描述漢字的分析方法

漢字是一種具有豐富內涵和複雜結構的文字系統。為了更好地理解和處理漢字，需要有一種分析方法來描述其結構和組成。CDL（Character Description Language）是一種為了描述漢字而開發的XML資料格式。

CDL是由玄貓開發的，它使用四個XML元素來描述漢字：cdl-list、cdl、comp和stroke。其中，cdl-list是檔案的全域性元素，包含漢字描述；cdl是描述一個漢字；comp是描述一個漢字的組成部分；stroke是描述一個基本筆畫。

CDL的優點在於它既是邏輯結構化的，也是幾何結構化的。它可以描述漢字的組成部分和基本筆畫，並且可以定義每個組成部分和筆畫的邊界框。

下面是一個例子。漢字“行”可以被描述為由兩個水平排列的組成部分“彳”和“亍”組成。其CDL描述如下：

<cdl char="行" uni="884C">
  <comp char="彳" uni="5F73" points="0,0 40,128"/>
  <comp char="亍" uni="4E8D" points="60,12 128,128"/>
</cdl>

在這個例子中，邊界框是簡單地定義為一個高為128單位、寬為40單位的盒子（左側組成部分）和一個高為128單位、寬為68單位的盒子（右側組成部分）。

CDL是一種簡單而強大的工具，可以用來描述漢字的結構和組成。它可以用於漢字的字型建立、編碼和分析等領域。

XML、TEI和CDL格式簡介

在數字人文學中，XML（可擴充套件標記語言）、TEI（文字編碼倡議）和CDL（中文字元描述語言）是三種重要的資料格式。這些格式被用於表示和儲存文字、影像和其他資料，以便於搜尋、分析和展示。

XML

XML是一種通用的標記語言，用於描述和儲存資料。它被廣泛用於網頁開發、資料交換和檔案編制。XML檔案由元素、屬性和文字內容組成。元素是XML檔案的基本單位，屬性是元素的附加資訊，文字內容是元素的值。

TEI

TEI是一種根據XML的文字編碼標準，用於表示和儲存文字資料。TEI提供了一套標準化的元素和屬性，用於描述文字的結構、內容和語言特點。TEI被廣泛用於數字人文學、文字分析和資料函式庫建設。

從技術架構視角來看，本文深入探討了XML、TEI和CDL三種重要的資料格式，尤其著重於TEI在數字人文領域的應用。分析段落詳細闡述了TEI的結構、元素和屬性，並以實際案例展示了其在文字編碼、語言學註解和句法樹表示方面的應用價值。此外，文章還介紹了CDL這種描述漢字的分析方法，及其與TEI的關聯。然而，目前TEI的應用仍存在一定挑戰，例如不同學科領域的TEI標準化程度不一，以及對於複雜文字結構的處理仍需進一步完善。展望未來，隨著AI技術的發展，預期TEI與自然語言處理技術的結合將更加緊密，例如利用AI自動生成TEI標籤，從而提高文字編碼效率。玄貓認為，TEI作為一種靈活且功能強大的文字編碼標準，將持續在數字人文領域發揮重要作用，並推動相關研究的深入發展。

玄貓

玄貓

技術愛好者，專注於分享程式開發、雲端技術與 AI 應用的心得體會。