TUHTI-m��rittelyn mukainen mallitietokanta

Opetusministeri�n muistiossa numero 5/1994 Suositukset tutkimustietokantojen tietosis�ll�ksi ja perustamiseksi on esitetty TUHTI-mallitietosis�lt� korkeakoulujen tutkimustietokannoille. Mallisis�lt� on esitetty SGML-m��rittelyn�. T�t� kirjoittaessa ei kuitenkaan markkinoilla ole SGML-tietokantaohjelmia.

Olen rakentanut TUHTI-tietosis�ll�n mukaisen kokeilutietokannan TRIP-tekstitietokantaohjelmistoon. SGML ja TRIP eiv�t ole rakenteellisten mahdollisuuksiensa puolesta t�ysin yhteensopivat. TRIP-tietokanta sis�lt�� l�hes kaikki ne tietoelementit, jotka esiintyv�t TUHTI-m��rittelyss�. T�m� teksti k�sittelee TUHTI-m��rittelyn mukaisen SGML-dokumentin ja TUHTI-m��rittely� mukailevan TRIP-tietokannan v�listen konversioiden ongelmia, ja niiden perusratkaisuja. Ratkaisujen tarkempi tekninen selostus on kirjattu l�hdekooditiedostoihin kommentteina. T�m�n tekstin tarkoituksena on valottaa muunnoksen yleisi� periaatteita.

Tiedosto triptuhti.def on TUHTIn mukainen TRIP-tietokantam��rittely. Se sis�lt�� l�hes kaikki TUHTI:n tietoelementit tavalla tai toisella sis�lt�v�n TRIP-tietokatam��rittelyn, tietojen sy�tt�lomakkeiden m��rittelyn ja SGML- ja HTML -tulostusformaattien m��rittelyt. Tiedoston voi TRIPin IMPORT-komennolla
IMPORT base=tuhti.* file=triptuhti.def
ladata TRIPiin, jolloin k�yt�ss� ja muunneltavissa on valmis pohja tutkimustietokannalle. Tietokannasta on my�s kommentoitu kentt�listaus, joka selvitt�� hiukan SGML-dokumentin ja TRIP-tietokannan v�lisi� suhteita.

Muunnoksen perusongelmat

Konversiossa perustavalta tietosis�ll�lt��n yhtenevien tietokantojen v�lill� perusmekanismi on ilmeinen - muunnetaan l�ht�tietokannan tietoelementtien tai -kenttien nimet tulostietokannan mukaisiksi. TUHTI-m��rittelyn mukaisen SGML-dokumentin (tiedoston) ja TRIP-tiedoston v�lisess� muunnoksessa t�m� ratkaisu kuitenkin j�tt�� ongelmia.

Ongelmien syit� on pohjimmaltaan kaksi:

• SGML sallii samannimisten tietoelementtien m��rittelyn eri kohtiin dokumenttia.
• SGML:ss� voidaan elementtej� rajattomasti upottaa toisiinsa (mit� mahdollisuutta TUHTI-m��rittelyss� my�s on k�ytetty), TRIPiss� t�m� ei ole mahdollista.

Ensimm�iseen ongelmaan ei ole yleisp�tev�� ratkaisua, tarvittaessa on konversion kuluessa jouduttu kontekstista p��ttelem��n, mik� samannimisist� TUHTI-elementeist� vastaa mit�kin TRIP-tietokannan kentt��.

Toinen ongelma on yleisesti ratkaistu mahduttamalla samaan TRIP-kentt��n useita TUHTI-elementtej�, joiden �itielementti� kentt� sitten vastaa.

S��nt�n� on erottaa tiedot TRIP-tietokannan kent�ss� pilkulla silloin, kun TUHTI-dokumentissa vastaavassa kohdassa alkaa uusi tietoelementti, ja puolipisteell� silloin, kun sama tietoelementti tai elementtiryhm� toistuu. Ongelmia t�ss� ratkaisussa tuottavat vapaaehtoiset tietoelementit. Miss� TUHTI-m��rittelyss� on useita vapaaehtoisia elementti� per�kk�in, ei voida tiet�� mink� alkumerkki� TRIPin kent�ss� oleva pilkku edustaa.

TRIP-tietokannan tietosis�lt� verrattuna TUHTI-m��ritelm��n

• Tutkimussopimuksen tiedot sis�ltl�v�� TUHTIn tutksop-elementin m��rittely� vastaa TRIPiss� kahdesta kent�st� muodostettu taulukko, johon kuuluvat kent�t ja TSOS johon kirjataan kaikki osapuolet, ja TSKO (sopimuskoodi). osapuolet erotetaan toisistaan puolipisteell�. osapuoli;...;osapuoli.

  <!ELEMENT tutksop  - o (osapuoli*, sopkoodi?)>
  
  <!ELEMENT (osapuoli, sopkoodi)
                        - o (#PCDATA)>
  
  

• Suomen- ja englanninkieliset avain- ja asiasanat on jaettu siten, ett� suomenkieliset avain- ja asiasanat ovat TRIP-toteutuksessa AS-kent�ss�. Asiasanat merkit��n edelt�v�ll� asteriskilla: *asiasana. Englanninkieliset avain- ja asiasanat ovat omassa KW-kent�ss��n, merkint�ratkaisu on kuten suomenkielistenkin sanojen kohdalla.
  
  <!ELEMENT avainsan - o (av | as)+>
  <!ELEMENT keywords - o (kw | sp)+>
  <!ELEMENT av, as, kw, sp) - o (#PCDATA)>
  
  
• Kaikki p�iv�m��r�tiedot joudutaan k��nt�m��n, koska TRIP haluaa ne j�rjestyksess� vuosi-kuukausi-p�iv�, ja TUHTI:ssa ne on m��ritelty toisin p�in.
• Rahoitus on TRIP-tietokannassa m��ritelty alitietueeksi. TRIP mahdollistaa kussakin tietokantam��ritelyss� yhden alitietueen. Alitietueen paikka TRIPin TFORM-sy�tt�muodoossa on tietueen lopussa, joten muunnoksessa SGML-dokumentista TFORM-muotoon se on siirrett�v� sinne omalla ohjelmallaan.

  <!ELEMENT rahoitus - o (rahkausi)+>
  
  <!ELEMENT rahkausi - o (kausi?, menot?, henktkk, rahkerto?)>
  
  <!ELEMENT kausi    - o (vuosi | (alkupvm, loppupvm))>
  
  <!ELEMENT menot    - o (omat?,vieraat?)>
  
  <!ELEMENT omat     - o (perus?, erityis?)>
  
  <!ELEMENT vieraat  - o (antaja, maara, yksikko)+>
  
  <!ELEMENT (antaja, perus, erityis, henktkk, vuosi, maara, yksikko)
                     - o (#PCDATA)>
  
  <!ELEMENT rahkerto - o (#PCDATA) +(pvm | summa | org)>
  
  <!ELEMENT summa    - - (#PCDATA) -(pvm | summa | org)>
  
  <!ELEMENT org      - o (orgnimi, postios?, sijainti?,
                          puh?, fax?, email?, muuta?)>
  
  

• SGML-elementin tutkijat alielementti tyojakso on ongelmallinen. Se sis�lt�� nelj� per�kk�ist� alielementti�, joista kolme on vapaaehtoisia. N�ist� loppupvm voidaan p��tell� sill� perusteella ett� se on ainoa numeerinen tieto t�ss� joukossa. Muiden erottamiseen tarvitaan ennaltam��r�ttyj� esitysmuotoja tiedolle. Olen konversioita tehdess�ni olettanut, ett� kansallisuustieto esitet��n jonkin standardin mukaisena maakoodina, jolloin se koostuu kahdesta tai kolmesta isosta kirjaimesta.

  <!ELEMENT tutkijat - o (tutkija)+>
  
  <!ELEMENT tutkija  o o (hlo, oppiarvo?, vuosi?, 
  
                          sukup?, kansal?, tyojakso+)>
  
  <!ELEMENT tyojakso - o (alkupvm, loppupvm?, asema?, maa?)>
  
  

• Julkaisujen k�sittelyss� on omat ongelmansa. Julkaisut on TRIP-tietokannassa m��ritelty taulukoksi, johon kuuluvien kenttien tulkinta riippuu julkaisutyypist�.
  • Julkaisun tyyppitieto on TRIPiss� yksi kentt�, JUKP, joka vastaa yht� viidest� TUHTI:n vaihtoehtoisesta julkaisuelementist�.
  • Kentt� JUTE k��nnet��n joko kirjoittajiksi tai toimittajiksi (kirjassa), tekij�iksi (ATK-tallenteessa), tai keksij�iksi (patentissa). Kaikissa muissa julkaisutyypeiss� se sis�lt�� kirjoittajien nimitiedot. Jos kent�ss� on toimittajien tiedot, se alkaa merkkijonolla toim:
  • Patentin tiedot on asetettu TRIPin kenttiin , JUTE (keksij�t), JUOT (patentin nimi), JUTO (patentin haltijat), JUKP (julkaisijamaa), JUKV (my�nt�misvuosi) ja JUKP Sis�ll�n kuvaus ja huomautukset.

Konversioiden perusmekanismit

Muunnos TRIP-tietokannasta SGML-dokumentiksi

M��rittelin TRIP-tietokannalle SGML-tulostusformaatin, jossa tietojen j�rjestys on p��osin sama kuin TUHTI-m��rittelyss�. T�m�n tulostuksen korjailuun rakensin ohjelmiston, joka muuntaa sen TUHTI-dtd:n mukaiseksi SGML-dokumentiksi.

Muunnos SGML-dokumentista TRIP-tietokantaan