xml2xlsx-lidilem 0.2.6

Convertisseur XML annoté vers Excel (corpus littéraires PREFAB)

Documentation — xml2xlsx

Convertisseur de corpus XML annoté vers Excel

Public cible : linguistes et annotateurs maîtrisant XML et les corpus écrits, sans formation Python particulière

---

Vue d'ensemble

xml2xlsx transforme des fichiers XML annotés en tableaux Excel lisibles, avec mise en couleur automatique des balises. Chaque paragraphe <p> du corpus devient une ligne du tableau ; chaque balise imbriquée devient une colonne.

La détection et l'extraction des balises est entièrement générique : l'outil ne présuppose aucun schéma d'annotation particulier. Il s'adapte automatiquement à n'importe quelle hiérarchie de balises et d'attributs à partir de la DTD fournie.

---

1. Lancement

Depuis un terminal, dans le dossier du projet :

python -m xml2xlsx.gui

---

2. L'interface graphique pas à pas

2.1 Source d'entrée

Option	Usage
Dossier	Traite tous les .xml d'un répertoire ; génère un fichier Excel par corpus + un fichier maître fusionné
Fichier XML	Traite un seul fichier .xml

2.2 Chemin

Cliquez sur Parcourir… pour sélectionner votre dossier ou fichier.

2.3 Schéma DTD

Champ obligatoire. La DTD (Document Type Definition) décrit la structure de votre XML : quelles balises existent, dans quel ordre, avec quels attributs. xml2xlsx s'en sert pour savoir quelles colonnes créer dans Excel.

2.4 Options

Option	Effet
Générer un fichier XLSX individuel par fichier XML	Crée un .xlsx à côté de chaque .xml traité (mode dossier uniquement)
Générer un fichier XLSX maître	Crée un fichier master_output.xlsx fusionnant tous les fichiers du dossier
Calculer la colonne POSITION_INTRODD	Ajoute une colonne indiquant si <INTRODD> est en position ANTE, POST ou AUTRE par rapport à <PPI> dans chaque paragraphe

2.5 Lancer la conversion

Cliquez sur ▶ Lancer la conversion. Le Journal (panneau noir en bas) affiche en temps réel les fichiers traités, les fichiers Excel créés, et les éventuelles erreurs.

---

3. Structure du fichier Excel produit

3.1 Colonnes générées

Le tableau suit la hiérarchie de votre XML. Pour chaque <p>, les colonnes sont :

Colonne	Contenu
source_file	Nom du fichier XML d'origine
p_id	Identifiant extrait du paragraphe (première expression entre guillemets)
paragraph_text	Texte complet du paragraphe avec balises XML colorées
POSITION_INTRODD	Position d'INTRODD (si l'option est activée)
NOM_BALISE_text	Texte contenu dans <NOM_BALISE>
NOM_BALISE_attribut	Valeur de l'attribut attribut sur <NOM_BALISE>

Pour les balises imbriquées, les noms de colonnes reflètent la hiérarchie par chaînage : INTRODD_VDD_text, INTRODD_VDD_lemme, etc. Quand une balise apparaît plusieurs fois dans un même paragraphe, les occurrences supplémentaires reçoivent un suffixe numérique : EXPANSION_text, EXPANSION_2_text, EXPANSION_3_text.

3.2 Mise en couleur dans la colonne paragraph_text

Le texte du paragraphe est restitué avec les balises XML visibles et colorées. La table ci-dessous correspond au schéma PREFAB ; avec une DTD différente, les couleurs s'appliquent aux balises du même nom si elles existent.

Balise	Signification	Couleur
PPI	Phrase préfabriquée des interactions	Rouge foncé
NONPPI	Segment non PPI	Vert foncé
DD	Discours direct	Turquoise
INTRODD	Introducteur du discours direct	Bleu foncé
VDD	Verbe introducteur du discours direct	Violet
EXPANSION	Expansion de l'introducteur du discours direct	Orange
MD	Marqueur du discours	Bleu moyen
MOD	Modifieur	Marron
APP	Appellatif	Gris foncé

3.3 Casse du texte

• En mode fichier unique : la casse originale est conservée.
• En mode dossier : les colonnes de texte sont mises en minuscules pour faciliter la comparaison et le tri, sauf paragraph_text et quelques colonnes contextuelles.

---

4. Vérification d'intégrité automatique

Après chaque conversion, l'outil compare le contenu du fichier XML source avec le tableau Excel produit, et affiche un rapport dans le Journal :

• OK: PPI: Excel=12, xml=12 → tout correspond
• Erreur: VDD: Excel=10, xml=11 → décalage détecté, avec indication de la position divergente

Note : contrairement au moteur d'extraction — entièrement générique — la vérification d'intégrité a été développée spécifiquement pour les fichiers traités dans le cadre du projet en cours. Elle peut produire des résultats incorrects sur des corpus de structure différente.

---

5. Glossaire

Terme	Signification
DTD	Document Type Definition — fichier décrivant les balises autorisées et leur hiérarchie
Fichier maître	Fichier Excel regroupant les données de tous les XML d'un dossier dans un seul tableau
POSITION_INTRODD	Colonne indiquant si l'introducteur du DD précède (ANTE) ou suit (POST) la PPI dans le même paragraphe
PPI	Phrase préfabriquée des interactions
NONPPI	Segment non PPI
DD	Discours direct
INTRODD	Introducteur du discours direct
VDD	Verbe introducteur du discours direct
EXPANSION	Expansion de l'introducteur du discours direct
MD	Marqueur du discours
MOD	Modifieur
APP	Appellatif