В чем заключается технология обработки текстовой информации кратко
Конспект по дисциплине Информационные технологии на тему «Обработка текстовой информации»
Обработки текстовой информации
Текстовая информация может возникать из различных источников и иметь различную степень сложности по форме представления. В зависимости от формы представления для обработки текстовых сообщений используют разнообразные информационные технологии. Чаще всего в качестве инструментального средства обработки текстовой электронной информации применяют текстовые редакторы или процессоры. Они представляют программный продукт, обеспечивающий пользователя специальными средствами, предназначенными для создания, обработки и хранения текстовой информации. Текстовые редакторы и процессоры используются для составления, редактирования и обработки различных видов информации. Отличие текстовых редакторов от процессоров заключается в том, что редакторы, как правило, предназначены для работы только с текстами, а процессоры позволяют использовать и другие виды информации.
Редакторы, предназначенные для подготовки текстов условно можно разделить на обычные (подготовка писем и других простых документов) и сложные (оформление документов с разными шрифтами, включающие графики, рисунки и др.). Редакторы, используемые для автоматизированной работы с текстом, можно разделить на несколько типов: простейшие, интегрированные, гипертекстовые редакторы, распознаватели текстов, редакторы научных текстов, издательские системы.
В простейших редакторах-форматерах (например, “Блокнот”) для внутреннего представления текста дополнительные коды не используются, тексты же обычно формируются на основе знаков кодовой таблицы ASCII.
Текстовые процессоры представляют систему подготовки текстов (Word Processor). Наибольшей популярностью среди них пользуется программа MS Word. Технология обработки текстовой информации с помощью таких программ обычно включает следующие этапы:
1) создание файла для хранения текстовой информации;
2) ввод и (или) копирование текстовой информации в компьютер;
3) сохранение текста, представленного в электронной форме;
4) открытие файла, хранящего текстовую информацию;
6) форматирование текста, хранящегося в электронной форме;
7) создание текстовых файлов на основе встроенных в текстовый редактор стилей оформления;
8) автоматическое формирование оглавления к тексту и алфавитного справочника;
9) автоматическая проверка орфографии и грамматики;
10) встраивание в текст различных элементов и объектов;
11) объединение документов;
К основным операциям редактирования относят: добавление; удаление; перемещение; копирование фрагмента текста, а также поиска и контекстной замены. Если создаваемый текст представляет многостраничный документ, то можно применять форматирование страниц или разделов. При этом в тексте появятся такие структурные элементы, как: закладки, сноски, перекрестные ссылки и колонтитулы.
Большинство текстовых процессоров поддерживает концепцию составного документа – контейнера, включающего различные объекты. Она позволяет вставлять в текст документа рисунки, таблицы, графические изображения, подготовленные в других программных средах. Используемая при этом технология связи и внедрения объектов называется OLE (Object Linking and Embedding – связь и внедрение объектов).
Для автоматизации выполнения часто повторяемых действий в текстовых процессорах используют макрокоманды. Самый простой макрос – записанная последовательность нажатия клавиш, перемещений и щелчков мышью. Она может воспроизводиться, как магнитофонная запись. Её можно обработать и изменить, добавив стандартные макрокоманды.
Технологии обработки текстовой информации
Технология обработки текстовой информации включает:
— процесс обработки текстовой информации – процесс создания (подготовки) текстовых документов;
— редактирование – процесс изменения содержания текстового документа;
— форматирование – процесс придания тексту формы.
В процессе обработки текстовой информации решаются следующие типовые задачи:
— ввод и отображение текста;
— запись документа на диск в виде файла (сохранение);
— считывание документа из файла в память компьютера (загрузка);
Выше перечисленные задачи возможно решить с помощью систем подготовки и обработки текстовых документов.
Системы данного класса можно разбить по функциональному наполнению на:
— текстовые редакторы обеспечивают ввод, изменение и сохранение символьного текста, не требующего форматирования, т.е. изменения шрифта, цвета текста и т. д. Результатом работы текстового редактора является текстовый ASCII-файл (ASCII — American Standard Code for Information Interchange — Американский стандартный код для обмена информацией);
С точки зрения удобства для пользователя одним из важнейших свойств текстовых процессоров является полное соответствие бумажной копии документа его образу на экране.
Среди функций текстовых процессоров можно выделить:
o форматирование текста, при этом изменения, вносимые пользователем, сразу находят отражение в документе;
o возможность предварительного описания структуры будущего документа. В этом описании задаются такие параметры, как величина абзацных отступов, размер шрифта, расположение заголовков, междустрочные интервалы, число колонок текста, расположение и способ нумерации сносок и т.д.;
o возможность автоматической проверки орфографии и получения подсказки при выборе синонимов;
o возможность ввода и редактирования таблиц и формул с отображением их на экране в том виде, в каком они будут напечатаны;
o возможность объединения документов в процессе подготовки текста к печати;
o возможность автоматического составления оглавления и указателя.
— настольные издательские системы (НИС) не являются более совершенным продолжением текстовых процессоров, так как у них совсем иная предметная область. Настольные издательские системы предназначены не столько для создания больших документов, сколько для реализации различного рода полиграфических эффектов.
Во всех НИС реализованы функции, отсутствующие в большинстве текстовых процессорах, например, сжатие и растяжение строк, вращение текста, обтекание рисунка текстом по произвольному контуру и т. д.
Существуют НИС профессионального уровня и НИС начального уровня. Системы первой группы предназначены для работы над изданиями документов со сложной структурой типа иллюстрированного журнала.
Системы второй группы обычно используются для создания информационного бюллетеня или простого рекламного буклета.
Первый этап (процесс создания (подготовки) текстовых документов) в технологической цепочке обработки информации может осуществляться несколькими способами, одним из них является процес сканирования документов.
Преобразование документа в электронный вид делится на два этапа: получение графического образа документа и перевод графического образа в текстовый формат. Графический образ документа является результатом сканирования. Перевод графического образа документа в текстовый формат может быть произведен посредством автоматического распознавания.
По характеру использования в технологическом процессе сканеры документов принято подразделять на следующие типы:
Дополнительными возможностями, присущими данному типу сканеров, являются:
o двустороннее сканирование (дуплекс);
o подсветка оригинала разными цветами для отсечки цветного фона;
o система компенсации неоднородного фона;
o модули динамической обработки разнотипных оригиналов.
Данный тип сканера предназначен для сканирования скреплённых документов, периодических изданий и книг.
Основными характеристиками сканеров любого типа являются:
Выделяют три категории программного обеспечения сканирования:
— программное обеспечение сканирования малых объёмов документов. Применяется при домашнем и офисном сканировании.
Примеры такого типа программ могут служить ABBYY FineReader, Adobe PhotoShop, Microsoft PhotoEditor, ACDSEE.
— программное обеспечение сканирования больших объёмов документов. Применяется при промышленном сканировании.
Примеры применяемого программного обеспечения: Kofax Ascent Capture, Captiva InputAccel.
— программное обеспечение для специальных задач сканирования. Применяется при планетарном, высококачественном сканировании.
Программное обеспечение специально разрабатывается с учётом специфики сканирующего устройства, не совместимо с другими стандартами (ПланСкан BSC-2, RZ ProScan Book (Minolta PS7000 edition), Zeutschel OmniScan).
Процесс анализа графическогто файла разбивает изображение на качественно различные области (определение таблиц, картинок, выделение в тексте строк и отдельных символов), а затем опираясь на базу данных по шрифтам, осуществляет распознование каждого символа в отдельности. Целенаправленный поиск и учет контекста позволяют распозновать искаженные символы, делая систему устойчивой к возможным дефектам печати. В результате компануются текстовые блоки, выстроенные с учетом всех параметров форматирования (размер, начертание, цвет шрифта и т.д.), которые можно отредактировать и сохранить в наиболее удобном для пользователя формате (RTF, DOC, PDF и др.).
Ключевым параметром систем распознавания, характеризующим их практическую ценность, является точность распознавания, то есть процент правильно распознанных символов.
В России наибольшее распространение получил пакет ABBYY FineReader (низкая стоимость, русская версия). Программа распознает тексты на 170 языках, имеется встроенная проверка информации, входит несколько специализированных словарей. Программа обладает высокой точностью распознавания и малой чувствительностью к дефектам печати, что достигается благодаря технологии, называемой «целостным, целенаправленным адаптивным распознаванием».
CuneiForm – программа для распознавания текста в редактируемый вид. Результаты работы программы можно редактировать в офисных программах и текстовых редакторах и сохранять в популярных форматах. Произведена фирмой Cognitive Technologies (Россия), программа распространяется бесплатно. Программа сохраняет структуру документа и его форматирование, распознает любые печатные шрифты, распознает документы более чем на 20 языках, в состав входит словарная проверка, рапознает таблицы любой структуры и сложности, распознает тексты факсов и не качественных ксерокопий.
После завершения процесса распознавания документ можно сохранить в любом из форматов.
В настоящее время используется много форматов электронных документов. Каждый из них обладает своими преимуществами и недостатками. Один из самых популярных и универсальных форматов электронных документов — документы Microsoft Word (DOC, DOCX).
Файлы документов в другом не менее популярном формате PDF в свою очередь занимают меньше места и поддерживаются многими мобильными телефонами, коммуникаторами и прочими устройствами.
Portable Document Format (PDF) — кроссплатформенный формат электронных документов (PDF-файл «работает» в любой операционной системе). Создан Adobe Systems с использованием ряда возможностей языка PostScript. В первую очередь предназначен для представления в электронном виде полиграфической продукции. Для просмотра можно использовать официальную бесплатную программу Adobe Reader, а также программы сторонних разработчиков. Один PDF-файл заменяет множество документов, так как формат позволяет внедрять в один файл необходимые шрифты, векторные и растровые изображения, формы и мультимедиа-вставки. В этом формате распространяется большое количество сопутствующей документации.
DjVu (от франц. déjà vu — уже виденное) — графический формат, разработанный фирмой AT&T, оптимизированный для хранения отсканированных документов. Особое значение этот формат приобретает для переноса в сеть математической и вообще технической литератуы, где обилие схем и формул делает распознавание и перевод в текстовый формат практически невыполнимым. Формат быстро становится популярным в Интернете. Это особого рода архивный файл, в котором хранятся многостраничные изображения, которые можно смотреть, листать как книгу, напечатать и т.п. Формат DjVu позволяет сохранять текстовые документы и картинки с высоким качеством в файлы малого размера.
Суть технологии DjVu заключается в автоматическом разбиении изображения на несколько участков (например, текст, логотип фирмы и растровая фотография), для каждого из которых выбирается оптимальный для данного графического образа алгоритм сжатия.
Очень часто книги, руководства и другие многостраничные документы в Интернете можно встретить в формате DjVu. Для просмотра документов в этом формате необходимо установить средство для просмотра документов в формате DjVu (DjVu Control Browser Plug-in).
Так же можно использовать быструю и компактную программу для просмотра и печати DjVu-файлов — WinDjView. WinDjView поддерживает непрерывный и одностраничный режимы просмотра, закладки, гиперссылки, поиск по тексту, расширенные возможности печати, экспорт страниц в графический формат BMP, настройку яркости, контраста и гаммы. К тому же она имеет русский интерфейс и больше возможностей, чем названный выше плагин.
Одним из способов эффективной организации текстовой информации является гипертекстовая технология.
Гипертекст (нелинейный текст) — это организация текстовой информации, при которой текст, представляет собой множество фрагментов с явно указанными ассоциативными связями между этими фрагментами.
Основная идея гипертекстовых технологий состоит в том, что поиск документальной информации происходит с учетом множества взаимосвязей, имеющихся между документами, а значит, более эффективно, чем при традиционных методах поиска.
Доступ к информации осуществляется не путем последовательного просмотра текста, как в обычных информационно-поисковых системах, а путем движения от одного фрагмента к другому.
Создание гипертекста состоит, прежде всего, в формировании системы переходов от одного текстового фрагмента к другому (системы ссылок). В зависимости от типа гипертекстовой системы такая система может задаваться как разработчиками, так и пользователем в процессе работы с гипертекстом.
Движение в гипертекстовой сети, совершаемое в процессе чтения гипертекста, называется навигацией.
Структурно гипертекст состоит из информационного материала, тезауруса гипертекста, списка главных тем и алфавитного словаря.
Информационный материал подразделяется на информационные статьи, состоящие из заголовка статьи и текста. Заголовок содержит тему или наименование описываемого объекта. Информационная статья содержит традиционные определения и понятия, должна занимать одну панель и быть легко обозримой.
Текст, включаемый в информационную статью, может сопровождаться пояснениями, примерами, документами, объектами реального мира.
Тезаурус гипертекста — это автоматизированный словарь, отображающий семантические отношения между лексическими единицами дескрипторного информационно-поискового языка и предназначенный для поиска слов по их смысловому содержанию.
Список главных тем содержит заголовки всех справочных статей, для которых нет ссылок типа род — вид, часть — целое.
Алфавитный словарь включает в себя перечень наименований всех информационных статей в алфавитном порядке.
Гипертекстовые технологии широко используются в различных прикладных системах:
— в настольных издательских системах — для создания документов большого объема со свойствами гипертекста;
— в системах управления документами (СУД) — например, для сведения в один итоговый документ информации, содержащейся в разнородных документах;
— в системах подготовки электронных документов, позволяющих составлять гипертекстовые документы с возможностью осуществления навигации.
Фирма Microsoft выпустила утилиту Microsoft Assistant for Word для создания и редактирования гипертекстовых документов на языке HyperText Markup Language (HTML) и конвертирования файлов WinWord в формат HTML.
Одним из перспективных направлений развития гипертекстовых систем является технология гипермедиа — соединение технологии гипертекста и технологии мультимедиа (интеграция текста, графики, звука, видео). С помощью этих средств создаются различные электронные издания — справочники, энциклопедии; разрабатываются обучающие программы.
Технологии и средства обработки текстовой информации
Технологии обработки текстов являются одними из наиболее распространенных технологий обработки информации. Текст – любая последовательность символов, к которым относятся буквы, пробел, знаки препинания, цифры, знаки арифметических операций и т.п. Текст можно создать карандашом, пером, авторучкой, на пишущей машинке, наконец, на компьютере.
К аппаратным средствам компьютера для ввода текстового документа относится клавиатура, световой карандаш со специальным планшетом, сканер.
К программным средствам, предназначенным для работы с текстами, относятся:
· системы, осуществляющие интеллектуальный поиск и интеллектуальную обработку текстов, размещенных в сетях.
Текстовый редактор – программное средство, предназначенное для создания (ввода, набора), редактирования и оформления текстов. Примеры: «Лексикон», «Слово и дело», «Edit», «Ched», «Note Pad», «Write».
Текстовый процессор отличается от текстового редактора более широкими функциональными возможностями:
· настраиваемое пользователем меню;
· использование контекстного меню;
· сопровождение текста таблицами и проведение в них простейших расчетов;
· вставка графических объектов (рисунков, диаграмм, заголовков и пр.) или создание рисунков с помощью встроенных инструментов;
· вставка формул, графиков, диаграмм;
· оформление текста списками, буквицами;
· использование инструмента автокоррекции текста и его автореферирования;
· создание и использование макросов;
· фоновая проверка орфографии, синтаксиса и др.
Примеры: Word (Microsoft Office), Word Pro (Lotus Smart Suite), Word perfect (Perfect Office), Accent, Word Pad.
Редакционно-издательские системы должны обеспечить все функции текстового процессора, а также:
· воспринимать тексты, созданные в различных текстовых редакторах;
· воспринимать отсканированные или нарисованные в графических редакторах иллюстрации, созданные на ПК разных платформ, и корректировать их цвета;
· иметь большой набор шрифтов и возможность их графического преобразования;
· иметь возможность для различного «обтекания» рисунка текстом;
· обеспечивать автоматическое оптимальное размещение текста на странице, автоматическую нумерацию страниц;
· обеспечивать адаптацию к различным печатающим устройствам и т.п.
Программы-переводчики или компьютерные словари содержат переводы на разные языки сотен тысяч слов и словосочетаний. Их возможности, предоставляемые пользователю, заключаются в следующем:
· выбор языка и направления перевода;
· предоставление не только общеупотребительных, но и специализированных слов;
· обеспечение быстрого поиска словарных статей;
· предоставление мультимедийных услуг – прослушивание слов в исполнении дикторов.
Рассматривая технологию создания текста, необходимо знать определение таких понятий как шрифт, графема, сериф, кегль, а также пагинация, выключка, кернинг, интерлиньяж.
Графема – единица письменного знака, выступающая в различных вариантах в зависимости от стиля письма, места в предложении и т.д.
Шрифт – выполненные в едином стиле графемы букв, используемых для письма.
Сериф – завиток (росчерк, засечка), образующий окончание линии, которой изображена буква или знак (литера).
Кегль – размер шрифта, определяемый литерой.
Выключка – выравнивание длины печатных строк по заданному размеру путем увеличения промежутков между словами.
Пагинация (от английского page – страница) – разбивка на страницы.
Кернинг – уменьшение расстояния между буквами для более удобного и комфортного восприятия текста глазом.
Интерлиньяж – регулировка промежутка между строками.
Формат файла определяет способ хранения текста в файле. Простейший формат текстового файла содержит только символы (числовые коды символов), другие же форматы содержат дополнительные управляющие числовые коды, которые обеспечивают форматирование текста.
Существуют универсальные форматы текстовых файлов, которые могут быть прочитаны большинством текстовых редакторов, и оригинальные форматы, которые используются отдельными текстовыми редакторами. Для преобразования текстового файла из одного формата в другой используются специальные программы – программы-конверторы.
Рассмотрим некоторые наиболее распространенные форматы текстовых файлов.
Только текст (Text Only) (TXT). Наиболее универсальный формат. Сохраняет текст без форматирования, в текст вставляются только управляющие символы конца абзаца. Применяют этот формат для хранения документов, которые должны быть прочитаны в приложениях, работающих в различных операционных системах.
Текст в формате RTF (Rich Text Format) (RTF). Универсальный формат, который сохраняет все форматирование. Преобразует управляющие коды в команды, которые могут быть прочитаны и интерпретированы многими приложениями, в результате информационный объем файла существенно возрастает.
Документ Word (DOC). Оригинальный формат используемой в настоящее время версии Word. Полностью сохраняет форматирование. Использует 16-битную кодировку символов, что требует использование шрифтов Unicode.
Документ Word 2.0, Word 6.0/95 (DOC). Оригинальные форматы предыдущих версий редактора Word. При преобразовании из формата Word 97/2000/2003 форматирование сохраняется не полностью.
Works 4.0 для Windows (WPS). Оригинальный формат интегрированной системы Works 4.0. При преобразовании из формата Word форматирование сохраняется не полностью.
HTML-документ (HTM, HTML). Формат хранения Web-страниц. Содержит управляющие коды (тэги) языка разметки гипертекста.
Выбор требуемого формата текстового документа или его преобразование производится в процессе сохранения файла.
Любой документ состоит из страниц, поэтому в начале работы необходимо задать значения параметров страницы: формат, ориентацию, размер полей и др.
При создании реферата, курсовой работы и др. целесообразно выбрать формат страницы А4, который соответствует размеру стандартного листа бумаги для принтера.
Существуют две возможные ориентации страницы – книжная и альбомная. Для обычных текстов чаще всего используется книжная ориентация, а, например, для таблиц с большим количеством столбцов – альбомная.
На странице можно установить требуемые размеры полей (верхнего, нижнего, правого и левого), которые определяют расстояние от краев страницы до границы текста. Для вывода на каждой странице документа одинакового текста (например, имени автора, названия документа и др.) удобно использовать верхний или нижний колонтитул. Расстояние от края страницы до колонтитула можно изменять.
Страницы документа требуется нумеровать, причем номера можно размещать по-разному (вверху или внизу страницы, по центру, справа или слева).
Абзац является одним из основных объектов текстового документа. В компьютерных документах абзацем считается любой текст, заканчивающийся управляющим символом (маркером) конца абзаца. Ввод конца абзаца обеспечивается нажатием клавиши и отображается символом ¶, если включен режим отображения непечатаемых символов.
Абзац может состоять из любого набора символов, рисунков и объектов других приложений. Форматирование абзацев позволяет подготовить правильно и красиво оформленный документ.
Выравнивание абзацев отражает расположение текста относительно границ полей страницы. Чаще всего используют четыре способа выравнивания абзацев: по левому краю, по центру, по правому краю, по ширине.
Чаще всего абзац начинается отступом первой строки. Отступ может быть различных типов: положительный отступ (когда первая строка начинается правее всех остальных строк абзаца), отрицательный отступ – выступ (когда первая строка выходит влево относительно остальных строк абзаца), нулевой отступ.
Расстояние между строками документа можно изменять, задавая различные значения междустрочных интервалов (одинарный, двойной и т. д.). Для визуального отделения абзацев друг от друга можно устанавливать увеличенные интервалы между абзацами.
Символы являются теми основными объектами, из которых состоит документ. Символы – это буквы, цифры, пробелы, знаки пунктуации, специальные символы. Символы можно форматировать, т. е. изменять их внешний вид.
Среди основных свойств символов можно выделить следующие: шрифт, размер, начертание и цвет.
Шрифт – это полный набор символов определенного начертания, включая строчные и прописные буквы, знаки препинания, специальные символы, цифры и знаки арифметических действий. Для каждого исторического периода и разных стран характерен шрифт определенного рисунка. Каждый шрифт имеет свое название. Например, наибольшей популярностью пользуются шрифты Times New Roman, Arial.
Единицей измерения размера шрифта является пункт (1 пт = 0,376 мм). Размеры шрифтов можно изменять в больших пределах (обычно от 1 до 1638 пунктов).
Кроме нормального (обычного) начертания символов обычно применяют полужирное, курсивное, полужирное курсивное.
Можно установить дополнительные параметры форматирования символов: подчеркивание символов различными типами линий, изменение вида символов (верхний индекс, нижний индекс, зачеркнутый), изменение расстояния между символами (разреженный, уплотненный) и др.
Если планируется многоцветная печать документа, то для различных групп символов можно задать различные цвета, выбранные из предлагаемой текстовым редактором палитры.
Для размещения в документе различных перечней применяются списки. Существуют следующие виды списков:
· нумерованные списки, когда элементы списка сопровождаются арабскими или римскими цифрами и буквами,
· маркированные списки, когда элементы списка отмечаются с помощью специальных символов-маркеров.
Возможно создание и вложенных списков, причем вкладываемый список может по своему типу отличаться от основного.
Иногда в текстовых документах используются таблицы. Таблица – это объект, состоящий из строк и столбцов, на пересечении которых образуются ячейки. С помощью таблиц можно форматировать документы, например, расположить абзацы в несколько рядов, совместить рисунок с текстовой подписью и так далее.
При размещении в таблице чисел можно производить над ними вычисления по формулам: суммирование, умножение, поиск максимального и минимального чисел и др.