XML Publication - Enhancement, requirements, future

by J.M. Vanel , Copyright © J.M. Vanel - 2001-2002 Back to main page

Last update: jeu 09 mai 2002 15:55:36 CEST

• erase corrupt or empty intermediary files (currently it is more safe to do ant clean when something is wrong)
• for keyword search take in account plural forms for a word (problably use Lucene, a high-performance, full-featured text search engine written entirely in Java)
• take in account multiple structured headers in tables, using <td colspan="..."> : document source
• create hyperlinks in item pages:
  • add a new rubric, with hyperlinks generated from scanning (possibly in another XMLPublication directory) a rubric for words contained in a set of rubrics in this item; inside <publication> tag in thesaurus.xml add this :

    <add-hyperlink-rubric label="Peoples' knowledge"><from><keywords><from-rubric label="English name"/><from-rubric label="Name"/></from><to><XMLPublication directory="../Farmers"/><keywords><from-rubric label="Varieties of plants"/></to>

  • transform existing words in hyperlinks, scanning a rubric for words contained in another rubric; inside <rubric> tag in thesaurus.xml add this :

    <add-hyperlinks-in-item><keywords><from-rubric label="Name" />

• for search-engine generated pages, highlight (e.g. in yellow) the words present in the query
• transform of internal hyperlinks necessitated by the splitting into small HTML files; to do for table documents (done for documents with paragraphs and sub-paragraphs delimited par h1 and h2 titles)
• add an ANT get task to retrieve the XSLT processor saxon.jar, so that XMLPub user doesn't have to install Saxon

  <get src="http://saxon.sourceforge.net/saxon/???/saxon.jar" dest="saxon.jar" verbose="true" usetimestamp="true" ignoreerrors="yes" />

• "expert system" to guess weather an (X)HTML file or URL is to be considered as a table or as paragraphs and sub-paragraphs delimited par h1 and h2 titles
• make an example of Schematron validation (possibly use the Seed Savers example)
• test a complete case from a Word file (check windows-1252 encoding conversion to iso-8859-1 or utf-8)
• We need a way to convert windows-1252 encoding to a more standard encoding like utf-8 or iso-8859-1; use Amaya or Oracle Parser or Xerces parser
• add a target "distrib" in top-level buil.xml , to replace the shell script
• investigate Cocoon2 architecture to see a convergence
• suppress all references to XMLPublish, replaced by XMLPublication
• make a GUI for an XMLPublication project (possibly use Xybrix)
• better document the "helpers" target (see "make words-list-by-rubric.xml" in current user_documentation.html)
• design the integration of an inheritance hierarchy of item types (for e-commerce catalog integration); the hierarchy of item types, specified by a simple XML file, will be transformed into a hierarchy of hyperlinked Web pages
• put on the site a sample of the existing transforms for e-commerce catalogs
• tous les inputs pourront être un URL ou un fichier, donc celui qui a ant et Saxon installés pourra tout lancer sans rien installer ==) alas, implies modifications in ANT
• inclure une servlet inspirée de celle de M. Kay (exemple GEDCOM)
• emballer cette servlet dans une webapp J2EE (grâce à ant)
• DTD et schema pour le fichier thesaurus.xml

For Seed2Seed:

• integration of XPath query engine: eXist
  • make indexation in the init() of the servlet or by hand ?
  • first stage: simplest integration: just type a word and eXist looks in all rubrics
  • 2nd stage: type a word and choose a rubric; eXist looks in that rubric
  • 3rd stage: have a combo box to choose a word and choose a rubric; eXist looks in that rubric
    • XML Publication can be used to get a list of words present by rubric
    • the HTML page will also need to have access to declared keywords for each rubric
    • need some javascript or Java to make a combo box
• test or develop the multi-document aspect
  • reconcile several metadata (rubric naming different but equivalent in each source document); can be done later
  • merge several source documents; problem is that some have table structure, and other have text-with-paragraph structure
• take in account the new page layout for Seed2Seed multi-document : http://www.seed2seed.net/base/Allium_Cepa-base.html
• il faut absolument traiter correctement les minuscules/majuscules dans les tables; c'est à dire que les entrées "Aphids" et "aphids", qui contiennent toutes deux : CHILIPEPPERS –, DERRIS –, GARLIC –, TOBACCO –, ne doivent pas apparaitre toutes deux dans la page index-Target_Organisms.html
• prise en compte des expressions pour les index: exemple 'proof of concept' ; not only single words

GUI

• URL de la source (X)HTML en précisant "extract tables" ou "extract paragraphs with titles" ou
• URL de la source .doc en précisant ... idem ou
• URL d'un répertoire où XMLPublication prendra tout ce qu'il peut : .htm , .html , .xsl , .doc , toujours en précisant ... idem
• URL de thesaurus.xml : facultatif
• URL d'une feuille XSLT qui sera incluse par <xsl:include> : facultatif
• URL de presentation.html : avec une valeur par défaut : un URL avec une bannière de site "XMLPublication"
• URL de book-title.html : avec une valeur par défaut : un document contenant le nom du document source
• URL du noyau XMLPublication : avec une valeur par défaut : le répertoire http://wwbota.free.fr/xslt/
• un bouton "generate skeleton thesaurus.xml" : créer un fichier thesaurus.xml comme point de départ pour être édité; il va spécifier qu'on indexe tous les mots de touts les champs
• un bouton "generate statistics" qui parcourt le document source pour repérer les éléments, leur imbrication et leur nombre ==) utilise example2Schema.xslt
• un bouton "generate words list by rubric", qui pourra être utilisé comme aide à l'édition de thesaurus.xml ==) utilise make-words-list.xslt

• un bouton "make Web site"
• un bouton "Save" enregistre tout le formulaire avec un format XML simple
• un bouton "Open" ouvre une session avec tout le formulaire dans un format XML simple

Back to main page