Intégration de documents semi-structurés
Bases de données documentaires

Les applications dans le domaine documentaire reposent sur la fonction de mémorisation qui doit être intégrée à d’autres fonctionnalités autorisant l’exploration, la réutilisation partielle du contenu des documents mémorisés et parfois même leur restructuration. A titre d’exemple, on peut citer toutes les applications informatiques liées aux activités de test d’intégration et de maintenance d’objets structurés – assemblage de composants – qu’elles s’inscrivent dans un contexte de génie logiciel (composants logiciels), spatial (intégration de satellites : composants satellites), aérospatial (composants d’avions), etc. Généralement, les composants sont décrits dans des manuels de spécification qui doivent être repris (réutilisés, adaptés) dans le cadre des activités d’intégration, de test, de maintenance. Les problèmes liés à la multiplicité des sources de données hétérogènes se sont encore accrus avec l’essor du Web. Il est nécessaire de disposer d’outils d’intégration et de modèles pour avoir une vision abstraite et synthétique, et rendre accessibles et manipulables ces grands volumes de données constitués en véritables entrepôts.

La mise en œuvre de tels systèmes de gestion de documents électroniques nécessite généralement le recours aux systèmes de gestion de bases de données pour assurer les fonctions interdépendantes de mémorisation et d’accès aux informations. L’accès et la recherche d’informations dans les documents électroniques s’effectuent généralement selon trois modes. Le premier, essentiellement utilisé pour des données textuelles, consiste à rechercher une chaîne – plus généralement un motif – dans un texte : on le rencontre dans les systèmes de recherche d’informations qui mettent en œuvre des mécanismes d’indexation « en texte intégral » et d’appariement textuel. Le deuxième repose sur la connaissance a priori d’une structure totale définie sur les données manipulées : on le rencontre dans les systèmes de gestion de bases de données où il est mis en œuvre à travers le schéma de la base de données et un langage d’interrogation basé sur un ensemble fini d’opérateurs. Le troisième met en œuvre des mécanismes de balayage et de navigation sur des informations faiblement structurées. On le rencontre dans les systèmes hypertextes et en particulier sur le Web. Ces trois approches doivent être supportées par tout système de gestion de documents électroniques.

Le concept de document est associé à celui d’informations semi-structurées qui sont caractérisées par leur absence totale ou partielle de structure, depuis l’information tout à fait non structurée jusqu’à l’information semi-structurée, ainsi que leur hétérogénéité : multiplicité des formats, des formalismes, des structures, des types, des médias, etc. Les documents sont mémorisés dans un entrepôt, ou base documentaire, support à l’interrogation et à la manipulation, via des opérateurs d’indexation, filtrage, extraction. La modélisation de toute base documentaire se doit d’être générique, évolutive, indépendante du niveau de granularité des unités documentaires et des normes de représentation.

La première partie de cet article présente l’architecture de la base documentaire. Dans cette section, il convient de bien positionner le concept de structure attaché aux objets documentaires mémorisés dans la base documentaire par rapport à la structure de la base elle-même (concept de schéma dans les bases de données). Dans la deuxième partie, compte tenu des spécificités de l’approche documentaire (notamment l’hétérogénéité), les caractéristiques du processus d’intégration de documents semi-structurés dans la base doivent être explicitées. La troisième partie aborde la manipulation de documents au travers d’opérateurs sous-tendus par les fonctionnalités d’un langage générique. Nous avons adopté cette approche pour rendre notre présentation indépendante de la syntaxe d’un langage spécifique et avoir une couverture fonctionnelle élargie. La dernière partie donne un bref aperçu des langages d’interrogation et de manipulation, parmi les plus représentatifs.