L'écriture Viet

L'écriture Viet était à l'origine basée sur des idéogrammes, comme le chinois. En 1651, c'est le missionnaire Alexandre de Rhodes qui fit la transcription de ces idéogrammes en alphabet greco-latin donnant ainsi naissance à l'écrit Viet tel que nous le connaissons aujourd'hui. D'un point de vue visuel, la grande différence tient surtout aux nombreux diacritiques qui ont été ajoutés pour refléter au mieux les inflexions de la langue Viet.

Écrire en Viet sous Linux pose deux "problèmes". L'un pour saisir les signes (diacritiques) supplémentaires, l'autre pour les rendre visuellement (fontes). Voyons déjà comment ajouter la touche "viet" aux fontes de linux avec Unicode.

UTF, Unicode, kesako

Sous un angle historique, à l'origine de l'informatique (et je parle là de l'époque où IBM sortait vaguement du monde des machines à écrire la correspondance entre une lettre et un chiffre était loin d'être un standard. Et ce n'est finalement qu'en 1961, que Bob Bemer inventa la célèbre table ASCII (American Standard Code for Information Interchange). Les caractères était décrits par des chiffres sur 7 bits, soit 128 possibilités différents. Alors même si l'ASCII fût un grand pas en terme d'interopérabilité, autant dire qu'il porte bien son premier A, et que nos barbares caractères accentués ont été poubellisés.

En 1970, le standard ASCII gagne 1 bit (ouaiiiis !) et donc 128 caractères de plus. Les accents venus des terres barbares outre-atlantiques enfin droit de cité. Le problème est que ces pour ces 128 caractères rien n'est vraiment définit et chacun y va de sa vision, à nouveau. Sont alors arrivés les CP (Code Page) avec MSDOS je crois (vous savez, à l'époque où Microsoft se demandait ce qu'Apple cherchait à faire de bien sérieux avec une souris...). Et là, ce fût vraiment la fête du... string.. désolé :-]

Le CP437 pour les anglo-saxons, le 837 pour les européens, le 855 pour les russes, bref, une page pour chacun.. Ensuite cela a été normalisé par l'ISO 8859 qui se décline comme les CP, par groupe linguistique (ISO-8859-15 pour l'Europe de l'ouest pas exemple). Bien sur, Windows a sa propre version de l'ISO, que l'on nomme Windows-1252... Fallait pas rêver non plus...

Mais tout cela était sans compter d'autres barbares, asiatiques ceux-là (les européens étant les premier je le rappelle , venant tout casser avec leur lettres même pas dans l'alphabet d'un bon catholique de base (Out les intégriste, je rigole ! ... Et c'est ainsi que naquis les normes Unicode dont on connaît surtout l'UTF (Universal Transformation Format). Là on allait pouvoir stocker nos caractères sur 2 octets (soit 16 bits et 2^16=65535 caractères possibles) et même sur 4 (soit 32 bits, et euhh 2^32... faites le calcul . L'avantage est que l'on a ainsi possibilité de stocker tous les symboles possibles et imaginables. Dans ce codage, des tranches d'UTF sont réservés par groupes linguistiques (par exemple, le Tamoul, est positionné entre 0x0B80 et 0x0BFF, si, si, c'est vrai...). L'UTF-8 quant à lui est une version "compressée" de l'utf-16. En effet, coder chaque caractères sur 2 octets peut prendre... deux fois plus de place... au minimum ! L'idée est donc de faire un codage à géométrie variable. Un peu comme si l'on avait, avant le caractère, un marqueur donnant sa longueur réelle (de 1 à 4 octet).

Bref, ce qu'il faut retenir, c'est qu'unicode comme son nom l'indique unifie presque totalement les écritures. Je dis presque car il pose encore des problèmes avec les idéogrammes unifiés de la langue chinoise (mais cela reste utilisable). Il existe donc des fontes dites Unicode, qui contiennent toutes les langues (elles sont rares). Plus généralement, nous avons des unicodes contenant les langues les plus courantes et que l'on spécialise en rajoutant les caractères qui manquent pour une langue donnée, c'est ce que nous chercherons à faire avec le Viet. En attendant, il va falloir pouvoir les saisir, ces caractères...

X Input Method et Unicode

XIM ou X Input method est une API (une fonctionnalité) permettant à un greffon (un plugin) de prendre la main sur tout ce qui est saisi dans une application pour interpréter les séquences de touches de l'utilisateur et renvoyer à l'application le code du caractère correspondant. Je peux ainsi avoir un greffon XIM qui dit que ot veut dire ô. De manière plus standard, nous avons déjà dans X un tel greffon, qui nous permet de taper ^o et d'obtenir ô.

Il existe donc un greffon pour chacune des langues que l'on cherche à saisir (chinois, coréen, etc..) permettant ainsi à l'application de recevoir des caractères qu'elle n'aurait pas su interpréter. Le greffon envois quant à lui le caractère ainsi composé sous la forme d'un code de caractère (on y vient . Dans notre cas, nous utiliserons unicode bien évidement. Ainsi, lorsque nous auront notre fonte l'installée, et notre greffon XIM, la chaîne sera complète.

Une fonte unicode donc..

Plusieurs solutions à ce stade. Déjà, avant de commencer à chercher, peut-être que vous avez cela directement dans votre distribution. C'est le cas de la Mandriva 2008.1. Pour le savoir, installez d'abord xvnk et si ça marche, vous pouvez vous arrêter là.

Sinon je me suis laissé dire qu'Arial de microsoft était unicode, mais elle n'est pas libre, pas bien... Donc pour ceux qui ont une conscience, la solution est de trouver une fonte unicode libre qui compte les caractères Viet et Français tant qu'à faire. J'en ai trouvé ici.

Une fois téléchargées, et décompressées, il suffit de l'installer par la méthode qui correspond à votre bureau/distribution. Ensuite, vous pouvez définir cette fonte comme étant celle par défaut car dans la mesure où elle intègre les langues occidentales vous ne verrez pas de différence. L'avantage de cette approche est quevous pouvez en profiter pour traduire l'ensemble de l'interface du bureau en Viet.

Installation de xvnk

Il existe deux applets : X-univiet et xvnkb. J'ai préféré la seconde parce qu'elle m'a semblé plus aboutie (menus contextuels, possibilité de la mettre dans la zone de miniatures, etc..).

Pour l'installer, allez chercher la dernière version des sources ici, décompressez et invoquez la sainte trinité ./configure --prefix=/usr ; make ; sudo make install.

Ceci fait, vous pouvez lancer en ligne de commande xvnkb. Attention cependant, seules les applications lancées après xvnkb sauront l'utiliser.

Une fois lancé, xvnkb affiche un petit panneau Off en bas à gauche de l'écran. Vous pouvez le déplacer à la souris et faire un clique-droit dessus pour voir les options. Faites Miscelaneous / Dock to systray pour mettre l'applet dans la boite à miniatures. Puis clique-droit charset / Unicode pour choisir l'UTF (voir plus loin). Enfin clique-droit / Input Method / VNI. Vous remarquez qu'il existe plusieurs méthodes dont :

Vni

Dans ce mode, un chiffre est accolé à la fin de la lettre que l'on cherche à modifier. Cela donne pour la lettre a et les chiffres de 1 à 5 : á à ả ã ạ.

Telex

Dans ce mode c'est la combinaison de différents caractères qui forment la lettre. Par exemple en tapant haf cela donne Hà.

En résumé, cela nous donne les combinaisons suivantes (si j'ai écrit des bêtises merci de me le dire

Accents	Telex	VNI	Viqr
â	aa	a6	a^
ê	ee	e6	e^
ô	oo	o6	o^
ă	aw	a8	a(
ơ	o7	o+
ư	uw	u7	u+
đ	dd	d9	dd
accent aigue - sắc	s	1	'
accent grave- huyền	f	2	`
point - nặng	j	5	.
crochet - hỏi	r	3	?
tilde - ngã	x	4	~
Enlever l'accent	z	0	-
Example: Tiếng Việt	Tieesng Vieejt	Tie61ng Vie65t	Tie^'ng Vie^.t

Conclusion

Voilà, c'est tout et ça marche sur toutes les applications que j'ai pu tester d'OpenOffice à Firefox. Et c'est là que je vous laisse car moi, à ce stade, je ne serais plus d'une bien grande utilité.

De la question à la requête

De temps en temps, lorsque je n'ai rien de plus intelligent à faire, je jette un oeil aux statistiques de mes sites (qui n'utilisent pas de scripts externes ;p ) et plus particulièrement à la très instructive liste des phrases qui, données à manger aux automates de recherche, aboutissent chez moi. Et il n'est pas rare, de tomber sur des formulations d'un académisme aussi irréprochable qu'inefficace. Comme par exemple :

Alors, il y a plusieurs choses remarquables concernant la personne qui a soumit cette phrase à Google :

1. Elle pose une question à M. Google et met en conséquence toutes les ponctuations d'usage.
2. Elle spécifie bien qu'il s'agit de Son Windows et pas celui du voisin.
3. Enfin, elle met bien la majuscule en début de phrase et sur le nom-propre.

La personne qui a écrit cela doit j'imagine s'attendre à une réponse du type Pour rendre Ton Windows XP légal, cher ami, il faudrait tout d'abord songer à l'acheter.... Malheureusement, M. Google n'est pas aussi humain et ne comprend rien à la grammaire et encore moins au sens des mots. Voyons donc un peu ce que Google comprend vraiment...

De la question à la liste de mots

En prenant l'exemple de cet utilisateur qui a tapé Comment rendre mon Windows XP légal ?, il ne s'agit pas de se moquer mais bien au contraire de comprendre ce que Google fait dans la vie. Son métier est de lire le web de A à Z. Chaque lien, chaque page, chaque image est lu et stocké dans sa grande ba-base. Ceci fait, il va analyser chaque mot de chaque page et alimenter ainsi d'énormes indexes, comme celui d'une bibliothèque. Il sait donc qu'il connait très exactement 30 700 000 pages qui contiennent le mot fenêtre. Il ne sait en revanche rien du sens de ce mot, et encore moins du contexte sémantique de son utilisation. Une publicité pour remplacer les fenêtres d'un pavillon ou un tutoriel traitant de la manipulation des fenêtres dans un ordinateur parlent pour lui de la même chose... Ainsi les ponctuations, les mots comme Comment, Pourquuoi, etc.. peuvent être sans trop de risque éliminés.

Dans la même idée, Google ne fait aucune différence entre majuscules et minuscules. Mieux, il ne comprends même pas les accents et le mot été et ete sont pour lui identiques.

Et même les mots eux-mêmes ne sont pas tous logés à la même enseigne. A chaque mots d'une phrase, Google va associer un poid. Et les "petits" mots, typiquement les pronoms (un, le, mon, etc.) sont pour lui des mots faibles, presque inexistant. Autant ne même pas les taper tant ils ne servent à rien.

Fort de tout cela, notre phrase d'introduction peut donc, avec le même résultat, être reformulé de la manière suivante :

Tout simplement...

Les expressions avancées

Pour l'instant, avec cette formulation, google cherche individuellement chacun des mots que nous lui avont donnés. Or dans cet exemple, c'est bien Windows XP qui est au centre de notre recherche. Nous n'avons pas envie d'avoir, même dans une seule page, un Windows d'un côté et un XP trente kilomètres plus loin... Heureusement, nous avons la possibilité de grouper ces deux mots en une seule expression. Ce groupement s'écrit en plaçant les mots entre double-guillements.

Une formulation plus efficace sera donc :

Pour améliorer encore notre demande, nous avons aussi la possibilité de demander à Google de garder nos expressions (mots ou groupes de mot) les plus proches possibles les unes des autres grâce au symbole *. En langage Google ce symbole signifie en gros un ou plusieurs mots, peu importe lesquels.

Nous obtenons ainsi la version finale de notre demande à Google qui va donc permettre d'obtenir la liste des pages contenant les expressions rendre windows XP légal les plus proches possibles les unes des autres :

Conclusion

En allant de la formulation d'origine Comment rendre mon Windows XP légal ? à la phrase finale rendre * "windows xp" * legal, nous comprenons bien que l'on ne pose plus une question à Google mais que nous lui formulons une requête sous la forme d'une liste de mot ou d'expressions à rechercher. Un requête pour l'instant très simple mais que nous allons rapidement pousser beaucoup plus loin.

Les opérateurs logiques

Des ET et des OU...

Comme nous l'avons vu, une requête Google est composée d'expressions à chercher (ex. legal ou "windows xp"). Nous allons voir maintenant comment ces expressions sont liées entre elles.

Par défaut, Google cherche toutes les expressions que vous saisissez sur une même page. Il place implicitement des ET invisibles entre chacun d'entre eux. En anglais ET s'écrivant AND, notre requête peut aussi s'écrire de la manière suivante :

Ou encore (AND et & étant synonymes)

AND est ce que l'on appelle un opérateur logique. Un opérateur logique va lier... logiquement une expression à une autre. L'autre opérateur logique évident est le OU. Par exemple, si nous voulons améliorer la recherche précédente et chercher les documents qui contiennent légal OU valide, nous formulerions notre requête ainsi (OU s'écrit "OR" en anglais) :

Et comme les AND peuvent être sous-entendus, cela nous donne :

Pour faire encore plus compacte, le OR qui peut aussi s'écrire par le symbole |. Ce qui nous donne la requête :

Enfin, il est possible de grouper les opérateurs avec des parenthèses pour lever les ambiguïtés, comme par exemple :

L'exclusion

Nous savons maintenant comment indiquer à Google ce que nous voulons dans les résultats. Essayons maintenant de lui signifier ce que nous ne voulons pas. En logique c'est ce que l'appelle l'opérateur NON qui s'écrit en langage Google par le signe - suivi de l'expression (mot ou group de mot) à exclure. Donc si par exemple, je ne veux pas qu'apparaisse le mot téléchargement, cela donne :

Les modificateurs

Nous savons déjà construire des requêtes complexes, avec des opérateurs logiques, des expressions et des termes exclus. Nous allons maintenant aborder la partie la plus intéressante du système de recherche de Google, les modificateurs.

De manière générale, les modificateurs permettent d'altérer la manière dont une expression est prise en compte dans la recherche. Cela peut changer son importance, inclure ses synonymes, et spécifier précisement où l'expression doit être trouvée.

La modification de l'importance d'une expression

Comme nous l'avons vu plus haut, certains mots ont moins d'importance que d'autres et ceci même si Google place des ET invisibles dans la requête. Ainsi un mot trop court, ou trop peu significatif par rapport aux autres, risque d'être zappé de la recherche. La plupart du temps c'est un comportement pratique, mais il arrive que l'on tienne à un mot, même si Google le trouve sans intérêt. C'est là qu'intervient le signe + suivi de l'expression à forcer.

Si par exemple nous désirons forcer le mot mon dans la requête précédente, cela donnerait :

Les synonymes

Google peut vous permettre de "flouter" un peu vos recherches en lui demandant de chercher un mot ET ses synonymes. Parler de synonymes n'est pas totalement exact. Il s'agit plutôt d'une relation statistique généralement constatée par Google entre des mots. Par exemple si vous tapez :

Vous aurez aussi des résultats concernant les.. croisières !! De l'influence du web marchand sur Google ;-) ...

Spécifier où chercher

D'abord une page web c'est quoi exactement ? Et bien c'est tout d'abord une adresse (url). Puis un titre (title) et un contenu. Enfin ce sont des liens composés chacun d'un texte (anchor) et d'une adresse de destination (link).

Toutes les requêtes que nous avons vues précédemment portaient exclusivement sur le contenu de la page (ou du document). Mais il est possible de demander à Google que certaines expressions soient recherchées dans une des parties spécifiques de la page comme le titre, l'url, un lien, ou le texte d'un lien.

Pour prendre un exemple, imaginons que nous voulions rechercher toutes les pages qui contiennent le mot drm et dont le titre contient le mot DADVSI. Nous formulerons alors la requête suivante :

La première partie est classique, elle indique que drm doit être cherché dans le contenu de la page. La seconde expression en revanche, utilise le modificateur intitle: qui restreint la recherche du mot dadvsi aux seuls titres (title). Et si nous voulons trouver non pas un mot simple mais un groupe de mot dans ce titre, nous allons utiliser le modificateur allintitle: :

De la même manière si nous voulons chercher dans le texte d'un lien, nous utiliserons le modificateur inanchor:, ou allinanchor: s'il s'agit d'un groupe de mots.

Pour cherche mot ou un group de mot dans l'adresse même des pages, nous utiliserons les modificateurs inurl: et allinurl:. Ansi, pour partir à la chasse aux étourdis, nous pouvons tester ce modificateur avec cette requête :

Enfin, si nous voulons chercher les pages qui contiennent au moins un lien qui pointe vers une autre page nous utiliserons le modificateur link:. Par exemple, si nous voulons connaître tous les sites qui référencent la page http://moutons.karma-lab.net/node/10, nous écrirons la requête suivante :

Bien évidement, tous ces modificateurs peuvent être combinés par des liens logiques. Par exemple, au hasard balthazar, essayons ceci :

Un grand classique qui je l'espère vous est maintenant facile à comprendre et à décortiquer ;-)

Un autre exemple amusant est de rechercher ces petites caméras connectées à internet et que beaucoup semblent oublier de protéger. Or si l'on sait ce que contient l'écran de contrôle d'une de ces caméras, il devient alors très simple d'en obtenir la liste :

C'est comme cela, en faisant gogoter une caméra collée sous leur nez, que je me suis amusé 10 bonnes minutes à affoler les girafes dans un Zoo quelque part sur la planète ;-)

Les expressions spéciales

Le type de document

Google indexe à peu prés tout ce qu'il trouve et même s'il était à l'origine limité aux pages web, son action c'est vite étendue aux documents de traitement de texte, aux feuilles de calcul, etc. A ma connaissance, les types de document indexés sont les suivant.

Pour les documents texte, les formats reconnus sont :
• Simples (ANS, TXT)
• OpenDocument (ODT)
• Portable Document File (PDF)
• PostScript (PS)
• Lotus WordPro (LWP)
• Microsoft Word (DOC)
• Microsoft Write (WRI)
• Rich Text Format (RTF)
• MacWrite (MW)

Pour les feuilles de calcul :
• OpenCalc (ODS)
• Lotus 1-2-3 (WK1, WK2, WK3, WK4, WK5, WKI, WKS, WKU)
• Microsoft Excel (XLS)

Les présentations :
• OpenPresentation (ODP)
• Microsoft PowerPoint (PPT)

Et divers autres :
• Shockwave (SWF)
• Autodesk (DWF)
• Google Earth (KLM,KMZ)
• Microsoft Works (WDB, WKS, WPS)

Sachant cela, il est possible d'ajouter à notre recherche un ou plusieurs types de document désiré. Par exemple, imaginons que nous voulions connaître les documents PDF ou DOC que des étourdis ont mis en ligne et qui ont le malheur d'être confidentiels :

C'est à ce stade que l'on se rend compte du travail qu'il y a encore à réaliser en terme d'éducation... Car google lui, ne pardonne pas...

De la même manière il est possible d'enlever des types de documents à une recherche en utilisant l'opérateur d'exclusion. Ainsi l'exemple suivant permet de rechercher tous les documents qui ont comme titre Spécifications techniques en excluant les fichiers .pdf :

Le domaine d'une page

Google sait évidement d'où viennent les documents qu'il indexe. Et il est possible grâce à l'expression site: d'utiliser cette information dans ses recherches. Par exemple si nous voulons connaître la liste des documents PDF mis en ligne via le site unesco.org OU europa.eu, nous fabriquerons la requêtes suivante :

Le modificateur site: permet de recherche tous les noms de sites se terminant par l'expression qu'il désigne (ici unesco.org ou europa.eu). En étant plus précis, il est donc possible de limiter encore la recherche au seul documents du site unesdoc.unesco.org :

Dans la même idée, il est possible non pas d'inclure mais d'éliminer toutes les pages venant d'un domaine donnée:

Les sous-moteurs

Récemment je suis tombé sur un sous-moteur dédié à Linux. Après quelques recherches, ils sont finalement plus nombreux que je l'imaginais. Alors en plus de ce que vous avez classiquement (texte, images, news, etc..), nous avons aussi :

• Les recherches pour Linux, par exemple Atheros.
• Les recherches pour *BSD, par exemple Atheros.
• les recherches pour MacOS, par exemple Atheros.
• les recherches pour Microsoft, par exemple Atheros (Rhoo, le premier lien est un plantage ;-) ).

Il existe aussi des sous-moteurs dédiés à des fonds documentaires particuliers :

• Les recherches sur les brevets. Il est possible de chercher les brevets en texte simple ou par l'utilisation de modificateurs comme patent: pour trouver par numéro. Par exemple, le célèbre brevet de British Telecom sur l'hyperlien.
• Pour les Fox Mulder en herbe, les recherches sur les documents gouvernementaux américains. Par exemple Roswell UFO.
• Enfin, pour rechercher exclusivement dans les articles de journaux, par exemple ceci. Donc ça marche très bien ;-).
• Recherches de livres, par exemple Guerre et Paix.
• Recherche parmi les blogs. Mais il n'est absolument pas pertinent !! La preuve avec cet exemple alors qu'il est clairement écrit en slogan de ce site, que ce n'est pas un blog !!!.

Conclusion

Voilà, fin du petit tour d'horizon de ce qu'il est possible de faire comme recherche sur le WEB avec Google. Comme vous l'avez vu, les possibilités sont nombreuses et juste limité, comme beaucoup de choses en ce domaine, par l'imagination.

Alors évidemment, une des possibilité consiste à faire un script au démarrage qui fixe le niveau sonore à, disons, 30%. Mais voila, les scripts de démarrage (situés dans ~/.config/autostart) ne se lancent qu'une fois la connexion réalisée, et il se passe donc une ou deux secondes avant que le son ne baisse à 30%, ce qui est largement suffisant pour se faire remarquer dans une réunion ou un amphi

L'autre possibilité consiste évidemment à ne pas garder les infos de session lors de la fermeture ... oui mais voila, j'aime bien garder ces infos pour d'autres applications. Alors il ne restait plus qu'à prendre soin de baisser le volume avant déconnexion.

Je me suis mis à chercher un moyen d'automatiser la tâche en cherchant s'il existait un dossier shutdown équivalent à autostart dans lequel on pourrait placer des scripts qui s'exécuteraient à la clôture de session ; mais n'ayant rien trouvé, je suis tombé sur une conversation décrivant comment utiliser zenity afin de créer une interface de déconnexion personnalisée.

Zenity, restez zen

Zenity permet de créer des boites de dialogue en GTK qui interagissent donc avec l'utilisateur, mais dont le traitement de fond se fait par scripts (bash, par exemple) : en fonction de l'entrée utilisateur via la boite de dialogue, zenity lance un script adapté pour le traitement de cette entrée.

Pour avoir une idée de la façon dont zenity créée une interface, tappez dans une console : zenity --entry ou zenity --calendar utilisez les pages de manuel pour avoir toutes les options, par exemple les diverses options du mode «list» de zenity s'obtiennent par zenity --help-list.

Une interface de déconnexion personnalisée

On va commencer par le créer, ce dossier ~/.config/shutdown ; c'est ce dossier qui contiendra tous les scripts susceptibles d'être lancés à la déconnexion. Ceci fait, autant continuer à bien faire les choses en proposant les options «classiques» de déconnexion : fermer la session, rebooter, éteindre. On va même pousser le vice jusqu'à permettre l'exécution d'un script différent selon le type de déconnexion qui est choisi.

Dans le script principal qui suit, et que l'on va placer dans notre dossier shutdown, nous allons donc créer une interface GTK contenant une liste avec les options "Fermer la session", "Eteindre l'ordinateur" et "Rebooter la machine".

Comme on le voit, ce script permet de personnaliser l'exécution d'un script différent selon qu'on ne fait que fermer la session, que l'on éteint ou reboote l'ordinateur. Par exemple, le choix de l'option «rebooter la machine» entrainera l'exécution du script reboot_script.sh.

On place alors chaque script associé également dans le dossier ~/.config/shutdown ; voici le script sommaire qui baisse le volume à la déconnexion :

Il suffit enfin de créer dans la barre supérieure un bouton lanceur d'application dans lequel on entre la commande sh /home/toto/.config/shutdown/shut.sh et si on choisi bien l'icone, on a alors un joli bouton de déconnexion personnalisé. On peut évidemment rajouter des tas d'autres options de déconnexion via le script zenity (proposer un backup de données juste avant la fermeture par exemple).

Conclusion

Il est clair que pour la simple utilisation qui consiste à baisser le volume à la sortie, on utilise là une usine à gaz (qui cependant n'est pas couteuse du tout) ; il est fort probable que d'autres solutions plus élémentaires soient disponibles. Mais l'avantage de la méthode utilisée via zenity est de permettre une personnalisation très poussée, et pas seulement que pour des scripts de déconnexion.

Pour ne citer qu'un exemple, l'affichage d'une boite "agenda" qui renvoie à un script la date choisie par l'utilisateur peut-être intéressante pour des personnes «allergiques» aux lignes de commande, qui nécessitent donc une interaction par boite de dialogue.

Origine du projet

Tesseract n'est pas tombé, loin de là, de la dernière pluie. Il s'agit en réalité d'un projet relativement ancien développé entre 1985 et 1994 par le groupe HP pour être finalement abandonné lors d'un recentrage des activités du groupe.

Ce n'est du coup qu'en 2005 que le projet reprend des couleurs lorsque certains employés décident de publier son code avec l'aide de Google et de l'Information Science Research Institute. Ces derniers apportant au vénérable outil debuggage et améliorations diverses.

Tesseract n'est devenu réellement libre qu'un peu plus tard, en Août 2006, une fois que les derniers parties propriétaires eurent été ôtées (réseau de neurone Aspirin/Migraine).

Et l'histoire ne s'arrête cependant pas là, car Tesseract, qui doit être considéré comme un "simple" moteur de reconnaissance de caractère multi-langues, est aujourd'hui en cours d'intégration dans un plus vaste projet nommé OCRopus. Mené par Google, l'objectif est de donner naissance à une chaîne complète comprenant la numérisation, l'analyse de formatage (RAST), la reconnaissance de langue, la reconnaissance de caractères (Tesseract) et une correction du résultat (aspell).

Bref, de quoi changer complètement le positionnement des plate-formes libres dans le domaine l'OCR.

Installation

C'est fou le nombre d'outils que l'on ne connaît pas qui sont déjà sagement en attente d'être installé sur nos disques (je mirrore les bases URPMI toutes les nuits). Tesseract n'échappe pas à la régle et son installation s'est simplement résumé à un :

Premiers tests

Pour ce test, j'utilise un exemplaire de Newsweek, bien chiffonné par un mois de bourlingue, à l'inimitable papier glacé ultra-fin. C'est un peu le test critique pour moi car ce papier est à ce point transparent que la lampe fluorescente du scanner fait apparaître en partie le texte qui se trouve derrière la page.

Première étape donc, un scan en 400DPI (ce qui semble être le bon compromis taille/reconnaissance):

Ceci fait je vais juste éditer le résultat avec Gimp pour n'extraire qu'une seule colonne d'article. En effet, Tesseract n'a pour l'instant pas d'analyseur de format, et le double colonage du newsweek, ainsi que la photo centrale, ne va pas vraiment l'aider. Cela donne donc la source suivante (que j'ai réduite en taille pour l'intégrer ici) :

Ensuite je vais créer deux fichiers graphique. L'un au format TIF pour tesseract, l'autre en PPM pour GOCR.

Le temps du test est maintenant arrivé, d'abord GOCR :

Ce qui me donne en 3.92s :

Maintenant le même test avec tesseract :

Cette fois le résultat tombe en 3.12ss ce qui donne déjà Tesseract comme étant 1.25 fois plus rapide qu'GOCR :

Conclusion

Le résultat est juste sans appel. Le texte produit par Tesseract est tout simplement parfait contrairement à GOCR qui a du mal avec la transparence du papier et loupe un paquet de caractères.

Plus rapide donc et surtout bien pour des résultats bien meilleur (même si cela demande à être re-testé en français) tesseract semble d'un coup de baguette magique promettre aux plate-formes libres (ou pas d'ailleurs, car il fonctionne aussi sous Windows) une numérisation de document d'une qualité enfin digne de ce nom. Une très très bonne nouvelle en vérité.

Je sais pas bien... on dirait une sorte de Worst Of entre Windows XP avec une barre de tâches à la Playskool, un drôle de look des interfaces qui hésites entre des vieux relents d'Aqua (les scrollbars) et une recherche de sobriété qui vire à la fadeur, sûrement pour se racheter des années Keramik. Le tout "complété" par des widgets noiraud à la Vista. Qui cherche à s'en donner l'air en tout cas, mais sans en avoir réellement l'élégance. Et plus encore et toujours ce bleu de partout qui donne à KDE un air de mièvrerie...

Bon, d'un autre côté ce n'est pas l'essentiel, si Windows est une sorte de meublé, Linux c'est comme une maison de campagne, on ne l'achète pas pour le papier peint, et l'on sait qu'il y a des travaux à envisager pour le faire coller à nos goûts. Mais quant même, c'est d'un laid !

Bon, j'espère surtout que ce n'est que la béta et que la suite va améliorer tout cela pour donnée à ce kde au look de frankenstein fantasmé, un style qui lui appartienne vraiment.

Inlassablement le grand robot écume la vaste toile, inspecte chaque page, chaque lien de chaque page, chaque billet, chaque article, chaque annuaire, chaque "forum", et chaque "post" de chaque forum, chaque groupe de discussion et chaque réponse de chaque groupe... Google aime le web et il existe pour cela, il vous offre toute cette connaissance, qui a stockée et indexée, celle de tout le monde mais qui, pour une part, parle aussi de vous...

Car par paquets d'upload, doucement votre vie se transfert sur le web 2.0 . Les photos de familles sur Flickr , les insignifiances sur Twitter , les bonnes adresses sur Del.icio.us , la vie des enfants sur FaceBook , la votre sur Ziki. Chaque activité, chaque information trouve peu à peu sa place sur la toile. Et chaque place, remplies de mots et de traces, est par Google soigneusement inspectée, stockée et indexée.

Mais Nous n’en savons pas assez sur vous se dit Eric Schmidt, PDG de Google. Alors Google décide d'aimer aussi les webmestres . Il leur fabrique de magnifiques outils, gratuits et chatoyants, pour connaître en permanence le nombre de visiteurs ou de liens clickés sur leurs billets, pour savoir enfin d'où viennent tous ces lecteurs, et où vont-ils après. Et l'ego ainsi flatté, les webmestres se sont mis presque tous à aimer Google et à utiliser ces beaux outils. Et en échange Google à été connecté à un flot tout neuf de données provenant de tous les sites du monde, composé de chaque lien clické, de chaque page visitée, d'où vous venez, où vous allez. Autant de nouvelles choses à analyser et indexer. Et par Amour, vanité, cupidité, pour quelques sous donnés, encore de cette publicité qui un peu mieux vous connaît.

Mais Nous n’en savons pas assez sur vous martèle encore Google, un endroit nous est encore fermé, celui des lettres qu'avec vos proches vous échangez. Alors Google s'est mis aussi à vous aimer. Et pour le prouver vous a offert de pharaoniques espaces pour recevoir et stocker des vies entières de courrier. Et en échange Google a reçu un nouveau flot de données, a pu y insérer de nouvelles publicités, et a surtout continuer à indexer. car après tout, c'est bien là son métier...

Et que va t-il se passer après ?

Pour y répondre, je passe la main à Cory Doctorow et sa nouvelle du genre "anticipation" qui pourrait se résumer en une phrase : Clairement, le secteur public n'était pas équipé "Pour Bien Chercher"..

Le titre du texte original est Scoogled et heureusement pour les francophiles, a été (très bien) traduit par Valérie Peugeot, Hervé Le Crosnier et Nicolas Taffin. Je vous laisse donc découvrir une vision de l'avenir, avec enGooglé

Explications

Ce script est basé sur l'utilisation de DCOP. Rapidement, DCOP permet de liste l'ensemble des applications KDE qui tournent et d'effectuer des actions sur ces applications. Ici nous allons chercher akregator et invoquer un ajout de flux. Enfin, si DCOP n'est pas disponible, on ajoute le flux "à l'ancienne" en appelant l'application en mode ajout.

Syntaxe

/usr/bin/xdg-addrss URL_RSS [ DOSSIER_AKREGATOR ]

Script

Alors pour savoir qui est notre ami sur scoopéo, il vous suffit de taper dans Google la requête suivante en prenant bien évidemment soin de remplacer PSOEUDO par votre pseudo, logique (attention, il est à remplacer deux fois :

Alors vu que c'est sensé être pédagogique, petite explication de la requête :

site:scoopeo.com

Logique, on restreint la recherche au seul domaine de scoopeo.com

inurl:amis/list

Là, on demande à Google de ne garder que les pages dont l'adresse contient la chaîne amis/liste.

-inurl:PSOEUDO

Même clause inurl: mais cette fois précédée du signe - indiquant à Google d'ôter du résultat notre propre liste d'ami.

PSOEUDO

Et maintenant on cherche simplement notre psoeudo dans chacune des pages restantes

J'avais prévenu, ce n'est pas très malin mais cela permet, pour ceux qui n'ont jamais essayé, de toucher du doigt la puissance du célèbre moteur de recherche.

En effet d'importantes corrections ont été apportées principalement à KHTML, Kate, kicker, et l'indispensable ksysguard, il semble que l'équipe KDE est aussi travaillé sur une meilleure coopération entre le gestionnaire de fenêtre compiz (et donc j'imagine de Beryl) et kicker. Autres nouveautés, Akregator (flux RSS) gagne une gestion par session pour ses onglets, KMail des modèles de message et enfin une nouvelle vue globale pour Kontact (équivalent Evolution ou Outlook).

Enfin, dans sa quête d'universalité, l'équipe KDE annonce un support à 78% de la langue Galicéenne