Tema 5; XML en la descripci

1
Tema 5XML en la descripción de recursos

• Ricardo Eíto Brun
• Sevilla, 23-25 de octubre 2002

2
Introduction

• Los formatos de marcas se han presentado como una
  alternativa/complemento a los sistemas de
  codificación de datos utilizados tradicionalmente
  por la comunidad bibliotecaria en la descripción
  de recursos
• Desde mediados de los años 90 se han planteado
  distintas iniciativas en esta línea
• El origen de estas iniciativas están distintas
  bibliotecas. Las iniciativas más importantes han
  sido lideradas por la Library of Congress

3
MARC y XML

• Podemos señalar distintas líneas de trabajo
• Diseño de modelos alternativos para la
  descripción de recursos (Dublin Core)
• Adaptación de los modelos tradicionales MARC
  -, a los nuevos formatos Internet (xml)
• El formato XML se ha presentado como una
  alternativa para representar y transferir
  registros MARC a través de Internet y facilitar
  su tratamiento automatizado

4
MARC y XML

• Las ventajas de XML son
• XML ofrece un sistema de codificación más simple
  y fácil de procesar que el utilizado actualmente
  para registros MARC (2709)
• XML se presenta como un formato universal,
  utilizado en cualquier tipo de aplicación, frente
  al sistema de codificación actual de MARC
• XML elimina complejidad innecesaria para los
  desarrolladores
• Se pretende evitar la segregación de MARC
  frente a otros formatos de metadatos Internet
  utilizados en los proyectos de biblioteca
  electrónica

5
MARC y XML

• Al mismo tiempo, MARC presenta ventajas frente a
  los formatos de metadatos que se han propuesto
  para el mundo Internet, como Dublin Core
• Mayor capacidad expresiva
• Soporte de más de 30 años por parte de la
  comunidad bibliotecaria y de la industria
  software especializado
• Una semántica claramente definida, aceptada y
  adaptada a las distintas realidades nacionales
• Cobertura a un amplio número de formatos y
  tipos de información (autoridades, datos
  bibliográficos, holdings, etc.)

6
MARC y XML

• Resumiendo
• MARC es un formato que permite codificar y
  transmitir un gran número de datos de una forma
  estandarizada y fácilmente procesable
• El resto de alternativas que se an propuesto para
  la descripción de recursos adaptadas a Internet
  no ofrecen la expresividad o el nivel de detalle
  necesario
• Estas alternativas se encuentran en fase de
  desarrollo, y no podemos garantizar su
  permanencia en un futuro

7
MARC y XML

• Resumiendo
• MARC no sólo es un estándar para facilitar el
  intercambio de información bibliográfica,
• También se ha convertido en la base de los
  sistemas integrados de gestión bibliotecaria
  actuales

8
MARC y XML

• Sin embargo, hay quien señala que MARC no es un
  formato óptimo para las necesidades actuales en
  lo referente a la descripción de recursos
• MARC es sumamente complejo, la descripción es
  costosa y lenta para el gran número de recursos
  que tenemos que describir
• El creciente número de recursos a describir nos
  obliga a plantear sistemas de indización
  descentralizados, que no requieran una
  formación tan compleja como la requerida para
  trabajar con MARC, ni mecanismos de entrada de
  datos tan complejos

9
MARC y XML

• Los partidarios de alternativas a MARC
• se basan más en la rapidez con que se podría
  describir los recursos, y
• sacrifican la calidad y el detalle de la
  descripción de los recursos...

10
Adaptar MARC a Internet primeras iniciativas

• Las primera iniciativa de la LOC se remonta a
  1992 con la inclusión del campo 856 (electronic
  location and access) en MARC
• Este campo permitiría crear un enlace entre un
  registro bibliográfico y un recurso remoto
  disponible en formato electrónico
• Proyectos como el OCLC Internet Cataloging
  (1994-1996) utilizaron este campo para codificar
  5000 registros de recursos Internet
• El proyecto CATRIONA (CATaloguing and Retrieval
  of Information Over Network Applications) también
  utilizó el 856

11
Adaptar MARC a Internet primeras iniciativas

• El campo 856 contiene la información necesaria
  para localizar y acceder a un recurso electrónico
  ... puede utilizarse en un registro
  bibliográfico de un recurso cuando éste o una
  parte del mismo esté disponible
  electrónicamente...
• El primer indicador define el método de acceso
  al recurso electrónico. Si el recurso es
  accesible por más de un método, éste repite
• El segundo indicador indica la relación entre el
  recurso electrónico identificado en el campo 856
  y el documento descrito en el registro como un
  todo

12
Adaptar MARC a Internet primeras iniciativas

• Los valores posibles para el primer indicador
  son
• - no se proporciona información
• 0 correo electrónico
• 1 FTP
• 2 Telnet
• 3 Llamada telefónica
• 4 HTTP
• 7 Un método distinto al anterior, que se habrá
  indicado en el subcampo 2.

13
Adaptar MARC a Internet primeras iniciativas

• Los valores posibles para el segundo indicador
  son
• - No se proporciona información
• 0 Recurso. La localización electrónica hace
  referencia al mismo recurso descrito en el
  registro como un todo. Es decir, el ítem
  representado por el registro bibliográfico es un
  recurso electrónico
• 1 versión del recurso. La localización
  electrónica hace referencia a la versión
  electrónica del recurso descrito en el registro.
  Es decir, el documento descrito mediante el
  registro no es electrónico, pero existe una
  versión en formato electrónico
• 2 Recurso relacionado
• 8 no hay una visualización asociada

14
Adaptar MARC a Internet primeras iniciativas

• 245 10aProceedings of the Seminar
• 856 40uhtp//www.loc.gov/seminar.html
• 245 00aAnalyzing qualitative datec/edited by
• 856 40uhtp//www.loc.gov/analyzing.html
• 245 00aAmerican quarterly
• 856 41uhtp//www.muse.edu/journals/amquarterly.ht
  m
• 245 00aDocumentos de D. Pedro Valverde
• 856 423Indiceuhtp//www.bne.es/pedroValverde.pdf
  

15
Adaptar MARC a Internet primeras iniciativas

• SUBCAMPOS
• a nombre del host de la localización
  electrónica
• b número de acceso (dirección IP)
• c información sobre la compresión
• d ruta física
• f nombre electrónico del fichero
• k contraseña necesaria para acceder al recurso
• m contacto para facilitar el acceso
• p puerto
• u URI o URL
• y texto del enlace
• 3 Especificación de materiales

16
Adaptar MARC a Internet primeras iniciativas

• Una segunda iniciativa de la LOC consistió en
  adaptar MARC a SGML, iniciada en 1995
• El objetivo era crear una DTD que permitiese la
  conversión de registros MARC a SGML y viceversa
  -, sin pérdida de información
• Se diseñaron 2 DTDs, para datos bibliográficos /
  fondos y para autoridades / clasificación y una
  aplicación PERL para la conversión de MARC 2709 a
  MARC SGML y viceversa
• Las DTD se publicaron en mayo 1996. La utilidad
  de conversión se inició en julio 1997. En enerp
  1998 se hizo pública.
• Posteriormente, estas DTDs se migraron a XML para
  adaptarlas al nuevo escenario tecnológico

17
Adaptar MARC a Internet primeras iniciativas

• El programa de conversión de MARC a SGML/XML
  utiliza PERL y nsgmls
• Estas utilidades de libre distribución se pueden
  descargar de
• http//www.perl.com
• http//www.jclark.com/sp
• En el diseño de las DTD y utilidades de
  conversión participaron las empresasa Mulberry
  Technologies y ATLIS Consulting Group

18
Adaptar MARC a Internet primeras iniciativas

• Las DTD para XML y SGML contenían un elemento XML
  para cada campo y subcampo de MARC
• Por ejemplo, para el elemento 245 MARC, en la DTD
  se incluía un elemento mrcb245, un mrcb245-b,
  mrcb245-c, etc.
• Estos campos se agrupaban en otros elementos,
  como por ejemplo mrcb-title-and-title-related,
  mrcb-subject-access, etc.
• Los campos de control variables 008 contaban
  con un elemento para cada posición o ítem del
  que contienen información, etc...
• Esto hacía que la DTD y los registros fuesen muy
  largos
• PRACTICA Abrir con XML Spy el archivo
  mrcbxmlfile

19
Adaptar MARC a Internet estado actual

• El 5 de junio 2002, la LOC Network Development
  and MARC Standards Office publicó un esquema XML
  para codificar registros MARC21
• Este esquema, resultado del trabajo de la LOC,
  OCLC, RLG - y revisado por la NLM y la National
  Library of Canada sustituía a la iniciativa
  anterior derivada de la DTD SGML
• Este esquema está previsto que sirva para
  codificar cualquier tipo de registro MARC
  (bibliográfico, autoridades, etc.)

20
Adaptar MARC a Internet estado actual

• El nuevo esquema pretende ir más allá de un mero
  mecanismo de conversión, y así facilitar
• La representación de registros MARC existentes en
  formato XML
• La representación de metadatos para facilitar el
  harvesting del proyecto OAI (Open Archives
  Initiative)
• La descripción inicial de recursos utilizando
  MARC
• La codificación de metadatos MARC que puedan ser
  incluidos como parte o junto a recursos de
  información disponibles en formato electrónico

21
Adaptar MARC a Internet estado actual

• El elemento raíz es collection, que tendrá un
  elemento record para cada registro
• El elemento record contendrá
• un elemento no vacío leader para la cabecera,
• Elementos no vacíos controlfield para cada campo
  de control y
• Elementos no vacíos datafield para cada campo de
  datos
• La cabecera se indica en un elemento leader
• Los campos de control se indican con elementos
  controlfield.
• Cada campo de control tendrá un atributo tag que
  recogerá su código (éste se indica mediante 3
  dígitos). Entre sus etiquetas de inicio y de fin
  se escribirá su valor

22
Adaptar MARC a Internet estado actual

• Los campos se representan mediante elementos
  datafield
• La etiqueta (nombre del campo) y los indicadores
  se escriben como valores de los atributos tag,
  ind1 y ind2 del elemento datafield
• Los subcampos se tratan como elementos hijos
  subfield - del elemento datafield correspondiente
  al campo.
• El código del subcampo se escriben como valor del
  atributos code
• El valor del subcampo se escribe entre las
  etiquetas de inicio y fin del elemento subfield
• PRACTICA Abrir el documento de ejemplo
  sandburg.xml para ver un ejemplo

23
Adaptar MARC a Internet estado actual

• La información que encontramos en MARC 2709 sobre
  longitud de campos y las posiciones de inicio del
  campo (el directorio) no se utilizan en el
  esquema xml
• Las posiciones de la cabecera del registro que no
  son necesarias se mantienen, pero se dejan en
  blanco
• Se trata de un esquema más fácilmente procesable
  y comprensible que la DTD anterior

24
Adaptar MARC a Internet estado actual

• El esquema XML forma parte de una iniciativa
  mayor framework -, que incluye el desarrollo de
  distintas aplicaciones, utilidades e interfaces
  para permitir
• Transformaciones entre MARC (2709), MARC (xml)
  Dublin Core y MODS (Metadata Object Description
  Schema) forman parte de la iniciativa
• Hojas de estilo para la presentación de la
  información XML como HTML

25
Adaptar MARC a Internet estado actual

• En el modelo propuesto se habla del esquema xml
  como piedra angular para representar los datos
  de una forma que sea fácilmente procesable por
  distintas aplicaciones consumidoras xml
  consumers
• Los XML consumers procesan los documentos xml
  codificados con el esquema anterior. Los
  consumidores incluyen distintos tipos de
  utilidades
• Transformación de MARC xml a otros formatos de
  metadatos
• Presentación de registros MARC xml en un formato
  fácilmente legible (html, pdf, etc.)
• Validación de documentos, extracción de datos,
  etc.

26
Adaptar MARC a Internet estado actual
27
Adaptar MARC a Internet estado actual

• Entre las utilidades que se han diseñado a partir
  del esquema anterior, contamos con las
  siguientes
• MARC4J conversión de MARC 2709 a xml
• Hojas de estilo XSLT para convertir de MARC XML a
  MODS, Dublin Core y OAI MARC (Open Archives
  Initiative)
• Hojas de estilo XSLT para presentar datos MARC en
  HTML

28
MARCXML Prácticas codificación

• Utilizando el esquema MARCXMLSlim.xsd y XML Spy,
  codifica el siguiente registro MARC

29
MARCXML Prácticas codificación

• Utilizando el esquema MARCXMLSlim.xsd y XML Spy,
  codifica el siguiente registro MARC

30
MARCXML Prácticas codificación

• Utilizando las utilidades de conversión, crea el
  registro COLLECTION.xml a formato MODS, y a las
  presentaciones HTML con etiquetas numéricas y con
  textos en inglés.

31
XMLMARC Stanford University

• XMLMARC es una iniciativa dirigida por Lane
  Medical Library en la Universidad de Stanford, en
  el ámbito de las bibliotecas digitales
• La motivación analizar la viabilidad de adaptar
  MARC a XML para facilitar la integración de
  distintas fuentes de información y descripciones
  de recursos
• En diciembre 1999 publicaron una utilidad Java
  que convertía registros MARC 2709 a formato XML,
  de libre utilización.
• El proyecto diseñó una DTD para codificar datos
  bibliográficos y de autoridades
• Como parte del proyecto se convirtieron 250.000
  registros MARC a XML
• http//xmlmarc.stanford.edu

32
XMLMARC Stanford University

• El proyecto XMLMARC de Stanford sigue vivo
• Próximamente se presentará XOBIS v1.0a (XML
  Organic Bibliographic Information Schema ) , un
  esquema XML para codificar datos bibliográficos
  que reemplazará al XMLMARC anteriormente usado en
  este proyecto
• Se puede obtener información detallada de este
  formato en http//xobis.stanford.edu . Un
  ejemplo de documento XML codificado según este
  esquema se encuentra en el archivo
  lanerecords.xml

33
XMLMARC Stanford University

• La estructura de un registro XOBIS sigue el
  siguiente modelo
• ControlData metadatos acerca del registro
  propiamente dicho fecha creación, tipo, etc.
• Principal elements o Work element
• Relationships

34
BiblioML

• Este es otro proyecto que muestra el interés
  despertado por el lenguaje XML como mecanismo
  para codificar información bibliográfica y de
  autoridades UNIMARC
• El proyecto subvencionado por el Ministère de la
  culture et de la communication, France,
  aparentemente está detenido
• http//www.culture.fr/BiblioML/en/index.html

35
MODS (Metadata Object Description Schema)

• Se trata de un proyecto reciente, liderado por la
  LOC americana
• Consiste en un esquema para codificar metadatos e
  información bibliográfica utilizando XML
• Se utilizan etiquetas alfanuméricas en lugar de
  numéricas, y en ciertos casos se agrupan
  elementos de MARC en un mismo elemento
• De su mantenimiento se encarga la LOC NDMSO
• Última versión disponible 14 junio de 2002
  v1.2. Estable por un periodo de 6 meses
• http//www.loc.gov/standards/mods

36
MODS (Metadata Object Description Schema)

• MODS no nos indica cómo transferir registros MARC
  utilizando XML, sino que ofrece un mecanismo que
  permite describir recursos con XML utilizando un
  esquema que se sitúa a medio camino entre MARC y
  Dublin Core
• Aparentemente, MODS es la opción que debería
  imponerse como sistema para la descripción de
  recursos en Internet
• Es más sofisticado que DC
• No es tan complejo como MARC
• Es más compatible con MARC que otros esquemas (la
  pérdida de información en las transformaciones en
  menor)

37
MODS (Metadata Object Description Schema)

• MODS define un conjunto de elementos que son un
  subconjunto del MARC21 Format for Bibliographic
  Data
• En total se definen 20 elementos (cada uno de
  ellos con unos elementos hijos que matizan su
  semántica)
• Todos los elementos, excepto dos, y atributos son
  opcionales
• La LOC ha establecido un mapeo entre los
  elementos MODS y los campos y subcampos de MARC
• Práctica abrir el archivo mods99042030Book.xml y
  ver su estructura.
• La conversión entre MARC 2709 y MODS siempre se
  hará mediante MARC XML nunca directamente.

38
MODS (Metadata Object Description Schema)

• Los principales elementos en MODS son
• titleInfo es obligatorio. Contiene al menos un
  elemento hijo llamado title
• name correspondería al encabezamiento. Puede
  ser de persona, organización o conferencia.El
  tipo de encabezamiento se indica mediante un
  atributo type que aceptará los valores personal,
  corporate o conferencename puede incluir los
  elementos hijos namePart, role, affiliation y
  displayForm
• typeOfResource tipo del recurso

39
MODS (Metadata Object Description Schema)

• genre género. No tiene elementos hijos. Sólo
  tiene un atributo authority que tomará el valor
  marc. Su valor se tomará de la lista disponible
  en la URLhttp//www.loc.gov/marc/sourcecode/genr
  e/
• publicationInfo agrupa los datos sobre el
  editor, mediante los elementos hijos placeCode,
  place, publisher, dateIssued, dateCreated,
  edition, etc.
• language idioma del recurso
• physicalDescription descripción física del
  recurso. Incluye los elementos hijos form,
  extent, digitalOrigin, etc.
• abstract resumen puede apuntar a un recurso
  remoto

40
MODS (Metadata Object Description Schema)

• tableOfContents incluirá una URL que apunta a
  un recurso remoto con esta información
• targetAudience audiencia a la que va dirigida
  el contenido
• note para codificar notas. Puede apuntar a una
  nota disponible como un recurso externo mediante
  un hipervínculo
• cartographics para información cartográfica,
  contiene los elementos hijos coordenadas, escala
  y proyección
• subject temas de los que trata el recurso.
  Incluye los elementos hijos topic, geographic y
  temporal.

41
MODS (Metadata Object Description Schema)

• Classification código de clasificación según un
  esquema de clasificación que se indicará en el
  atributo authority de este elemento
• relatedItem permite relacionar elementos
• Identifier ID del recurso. Puede ser un isbn,
  issn, etc. Su tipo se indicará mediante un
  atributo type
• Location
• accessConditions
• Extension
• recordInfo contiene los siguientes elementos
  hijos recordCreationDate, recordChangeDate,
  recordIdentifier, etc.

42
Conclusiones

• En los últimos 10 años se han lanzado distintas
  iniciativas para complementar / sustituir MARC
  con XML
• El último modelo propuesto por la LOC parece más
  fiable, y probablemente tenga una mayor
  aceptación que la iniciativa de 1995
• MODS ofrece un esquema más completo que DC y más
  próximo a MARC
• El hecho de estar promovido por la LOC puede ser
  un punto importante, aunque la experiencia de
  MARC SGML puede repetirse
• Actualmente, falta una documentación detallada
  sobre cómo usar este nuevo esquema, para que
  pueda considerarse una alternativa real a DC