SCI6005 Information numérique et informatique documentaire (H2022)

L'OQLF^[1] définit un format ainsi :

Ce que l'on doit retenir de cette définition est l'idée qu'un format est une structure de données qui répond à certaines règles propres à ce format en fonction des actions qu'il permet. PDF, par exemple, est un exemple d'un format de fichier, ainsi que JPG et MP4. Ces trois formats représentent des types de fichier très différents, respectivement un fichier textuel, un fichier d'image et un fichier de son. Leur structure respecte ainsi des règles différentes qui permettent des opérations différentes.

Plus spécifiquement, ces règles doivent respecter une certaine syntaxe propre au format, c'est-à-dire une certaine manière d'écrire les 0 et les 1. C'est ce que l'on appelle la composante syntaxique d'un format. Pour pouvoir ouvrir un fichier sur votre ordinateur, il faut que les 0 et les 1 soient bien conformes à cette syntaxe. Il s'agit qu'un seul 0 soit changé pour que le fichier devienne illisible (corrompu).

En sus d'une certaine syntaxe, les règles d'un format décrivent une manière d'en interpréter le contenu, c'est-à-dire de faire du sens des 0 et des 1. On parle ici de la composante sémantique du format. Même si vous recevez par courriel un fichier dont la syntaxe est conforme au format, si vous n'avez aucun logiciel capable d'en interpréter le sens, vous ne serez pas capable de l'ouvrir.

Ainsi, pour que vous soyez en mesure d'ouvrir un fichier sur votre ordinateur, il faut qu'il en respecte bien la syntaxe ainsi que vous ayez ce qu'il faut pour en comprendre la sémantique. Ces deux composantes sont étroitement reliées.

On fait actuellement face à une problématique multiple : (1) la prolifération des formats, (2) l'opacité potentielle de l'information numérique si le format n'est pas reconnu, et (3) le choix du meilleur format pour une tâche donnée. Dans un contexte de gestion de l'information numérique il importe ainsi de s'attarder à connaître les différents formats de fichier pour plusieurs raisons :

• D'une part, il faut choisir des formats qui sont compatibles avec votre environnement informatique.

• D'autre part, cela vous aidera à résoudre certains problèmes de lecture de fichiers que vous pourriez rencontrer.

• De plus, vous serez ainsi en mesure de mieux gérer les échanges d'information et d'optimiser leur diffusion en choisissant les bons formats.

• Finalement, cela vous permettra de faire des choix éclairés selon les besoins que vous aurez en termes :

  • d'accessibilité pour utiliser des formats compris par une communauté de lecteurs la plus grande possible

  • de pérennité pour que vos fichiers demeurent accessibles dans le futur

  • de réutilisation pour pouvoir retravailler certains fichiers

On retrouve différentes familles de formats. Une première dichotomie à connaître est la distinction entre des formats ouverts et des formats fermés :

La différence entre ces deux familles de formats réside dans l'accessibilité des spécifications qui aura un impact sur l'interopérabilité de ces formats. Si vous cherchez à vous assurer qu'un plus grand nombre de personnes soit en mesure de consulter votre fichier, le format ouvert est en ce cas préférable.

On retrouve aussi deux autres familles de formats qui se distinguent cette fois-ci par leurs producteurs :

Si vous recherchez un format qui garantit une meilleure conservation dans le temps, les formats normalisés sont à prendre en considération. Le fait d'être endossés par une instance officielle de normalisation est en effet un garant sur le plan de la pérennité des formats.

Nous nous attarderons à une dernière dichotomie dans les familles de formats de fichiers, soit la distinction entre un fichier en format texte et un fichier en format binaire.

D'entrée de jeu, précisons que tout fichier est enregistré sur le disque dur sous forme binaire, c'est-à-dire dans des suites de 0 et de 1. Ces 0 et ces 1 sont agencés de manière à respecter la syntaxe du format et de manière à ce que leur interprétation par le logiciel utilisé pour l'ouvrir produise le résultat souhaité (une image, un son, un texte, etc.).

Heureusement pour nous, il y a donc quelque chose qui sert d'interprète afin de nous restituer les 0 et les 1 sous une forme qui nous est compréhensible. Pour certains types de fichiers, le format est complexe et demande un logiciel spécialisé pour en faire l'interprétation. C'est le cas, par exemple, d'une image. On parlera ici de fichiers en format binaire.

Dans d'autres cas, le fichier contient uniquement des caractères alphanumériques (c'est-à-dire des lettres, des chiffres et quelques symboles) sans aucune mise en forme, un contenu beaucoup plus simple que celui d'une image! L'interprétation de son format peut alors se faire par l'utilisation d'une simple table de correspondance entre des suites de 0 et de 1 et des caractères alphanumériques (ce que l'on appelle un jeu de caractères; cette notion sera abordée un peu plus loin). Ainsi, un éditeur de texte simple comme le Bloc-notes (Windows) peut arriver à l'interpréter. C'est ce que l'on appelle un fichier en format texte.

La distinction entre un fichier en format binaire et un fichier en format texte repose ainsi sur la complexité de leur sémantique (complexe ou simple). Le tableau ci-dessous résume les différences entre ces deux types de formats :

Comme vous l'avez noté en ouvrant les deux exemples du tableau ci-dessus, une manière simple de savoir si un fichier est en format binaire ou en format texte est de l'ouvrir dans un éditeur de texte simple comme Bloc-notes : s'il est lisible, il s'agit d'un format texte, sinon, c'est un format binaire.

Il est à noter qu'il existe des formats de fichiers basés sur un format texte, c'est-à-dire interprétables à l'aide d'un jeu de caractères, mais avec des règles supplémentaires pour des opérations de mise en page ou de structuration. Il est ainsi possible de représenter des objets plus complexes. C'est le cas, par exemple, du format HTML que nous découvrirons un peu plus tard dans la session. Si vous l'ouvrez dans Bloc-notes, vous serez capable de le lire, mais il est possible que vous ne connaissiez pas certains codes utilisés. Il s'agit de balises HTML représentant certains types de contenu que le navigateur web saura interpréter pour lui associer une mise en page particulière. Dans l'exemple ci-dessous, vous retrouverez la balise <h1> qui représente un titre de niveau 1 que le navigateur restituera dans une police de caractères plus grande et en gras.

On retrouve une multitude de types de fichiers en format binaire. Nous en présenterons quelques-uns dans les tableaux ci-dessous à titre d'exemples.

Le tableau ci-dessus illustre bien une des raisons principales pour retenir un format, soit l'utilisation que l'on compte faire des fichiers. On remarque en effet des différences notables pour les fichiers d'image pour ce qui est du nombre de couleurs possibles. De plus, certains formats comme JPEG utilisent un algorithme de compression pour obtenir des fichiers plus légers. Qui dit compression dit potentiellement perte d'information.

Dans l'exemple ci-dessous, trois images en formats différents ont été créées à partir de la même image de départ agrandie à 300%. Voici quelques observations par rapport à ces formats :

• On remarque en effet que le format TIF est plus lourd et que le JPG réduit la taille du fichier grâce à la compression.

• Remarquez l'effet de pixelisation du fichier GIF du fait d'une palette de couleurs moins grande.

• Pour JPG, on remarque une certaine perte de précision au pourtour du cercle.

• C'est le format TIF qui offre la plus grande précision.

C'est donc le type d'image et son utilisation qui influenceront vos choix. Dans un contexte archivistique de conservation à long terme d'images, la perte de précision n'est pas souhaitable rendant un format comme TIF plus intéressant. Bibliothèque et Archives Canada, par exemple, donne des lignes directrices pour aider au choix des formats : https://www.bac-lac.gc.ca/fra/services/gestion-ressources-documentaires-gouvernement/lignes-directrices/Documents/formats-fichier-rdvc.pdf.

Les tableaux qui suivent présentent des exemples d'autres types de fichiers en format binaire. Les caractéristiques présentées sont des pistes qui peuvent être utilisées pour faire un choix éclairé de formats.

• Fichiers de traitement de texte (extensions .doc, .docx, .wpd, .odt, ...)

• Fichiers Portable Document Format (extension .pdf)

  • Pour la diffusion de documents

  • Associé à Adobe Acrobat

  • Norme de facto qui conserve les éléments typographiques et la mise en page originale

• Fichiers compressés (extension .zip, .hqx, .qzip, ...)

  • Pour la compression et l'archivage de fichiers; à considérer aussi pour l'échange de fichiers

  • Utilisés par certains formats « composites » pour regrouper leurs composantes (par exemple, ePub, .docx)

    • Certains formats exploitent des formats existants pour représenter leurs composantes en les regroupant dans une archive compressée

    • Remplacer l'extension .epub par .zip permet de découvrir les différentes composantes d'un fichier ePub basé sur XML et XHTML

  • La compression modifie le format des fichiers

  • Traitement spécial applicable à tout format et complètement réversible (tout comme le cryptage ou le chiffrement)

• Etc.

Dans la section précédente, nous avons vu que l'interprétation d'un fichier en format texte passe par l'utilisation d'un jeu de caractères. Bien que cela semble plutôt simple, l'évolution des jeux de caractères au fil du temps fait en sorte que certains problèmes d'interprétation peuvent survenir. Une connaissance de cette évolution permet de développer de meilleurs réflexes de résolution de problèmes lorsque surgit ce type de problèmes.

Ce qu'il faut retenir, d'une part, c'est l'augmentation au fil du temps du nombre de caractères représentés par les jeux de caractères afin de prendre en compte un nombre grandissant de langues et, d'autre part, le fait que pour les ASCII étendus, cela n'a pas fait l'objet d'un effort unique de normalisation ce qui a généré plusieurs ASCII étendus. Encore aujourd'hui, ces multiples ASCII étendus coexistent, et ce parfois sur un même ordinateur. Il est ainsi possible d'observer des problèmes dans la restitution des contenus si le mauvais jeu de caractères est utilisé.

C'est le cas de l'exemple ci-dessous. Le texte a été écrit à partir du mode commande de Windows et il est affiché dans le mode graphique de Windows sur le même poste. Remarquez que :

• Tous les caractères non accentués sont à leur place.

• Il n'y a que les caractères accentués qui sont mal interprétés.

Cela correspond bien à ce qui est décrit dans le tableau : les caractères non accentués demeurent les mêmes comme tous les ASCII étendus sont basés sur l'ASCII pur, mais les caractères accentués situés dans les 128 caractères suivants ne sont pas placés aux mêmes endroits.

Il est parfois possible d'observer ce problème sur le Web lorsque le navigateur n'utilise pas le même jeu de caractères que celui utilisé pour créer des pages HTML. Ce problème d'interprétation est en fait possible lorsque les personnes qui ont conçu les pages HTML n'ont pas pris soin d'expliciter en clair le jeu de caractères utilisé (nous verrons comment le faire plus tard dans la session).

Être en mesure de reconnaître ce type de problèmes nous permet d'y apporter une solution. La solution consiste à utiliser un logiciel qui offre la possibilité de changer le jeu de caractères utilisé. Pour le problème illustré ci-dessus, une des manières de le corriger est, dans Bloc-notes, d'utiliser la police Terminal (menu Format > Police...) qui est basée sur le jeu de caractères du mode commande de Windows. Si vous croisez ce problème avec une page web, certains navigateurs permettent de changer de jeu de caractères. On retrouve dans Firefox, par exemple, une option Encodage du texte dans le menu Affichage.