Per Parsing del corpus si intende la lettura del file del corpus per il suo caricamento all'interno della sessione, con conseguente creazione delle tabelle Frammenti, Vocabolario, Descrizione Sezioni e Alfabeto/Separatori.

ATTENZIONE: Si possono verificare errori di interpretazione nel Parsing se il file del corpus proviene da altri sistemi operativi, in quanto i caratteri vengono riconosciuti in base al codice ANSI presente nel file al momento della lettura in Windows.

Per lanciare la procedura del Parsing su un Corpus già selezionato (per i dettagli circa la selezione del Corpus si veda la voce Seleziona, assembla, struttura il Corpus) aprire il menù File e scegliere la voce Corpus/Parsing.

Una volta lanciata la procedura, il programma effettua la rilevazione ed il conteggio dei caratteri presenti nel Corpus.

Alla fine di questa prima fase di parsing, compare la maschera Definizione dei caratteri (alfabeto vs separatori):

Il testo è considerato come una successione di simboli appartenenti ad un codice (ANSI) in cui si identifica un insieme di caratteri SEPARATORI e un insieme complementare di caratteri non separatori, chiamato convenzionalmente ALFABETO. Le unità d’analisi sono definite come successioni di caratteri dell’alfabeto comprese tra separatori.

La maschera presenta la lista dei caratteri (simboli) presenti nel Corpus, lasciando libero l'utente di definire quali caratteri considerare come SEPARATORI.

In aiuto all'utente la maschera fornisce il codisce ASCII e l'occorrenza del singolo carattere nel Corpus (772 presenze del carattere <p> nell'esempio).

Il programma propone automaticamente una lista predefinita di separatori, modificabile a piacimento dall’utente.

ATTENZIONE: Si sconsiglia di imporre alle cifre (numeri compresi tra 0 e 9) il ruolo di separatori. In tal caso, infatti, la procedura di individuazione dei segmenti produrrà un errore o comunque falsi risultati. Considerare le cifre come separatori solo nel caso in cui si è sicuri di non voler effettuare l'individuazione dei segmenti.

Cliccando sul pulsante Continua, TaLTaC² passa ad una seconda fase di parsing (individuazione delle parole e dei frammenti).

NOTA: Nel caso di testi provenienti da altri sistemi operativi oppure da Internet, è possibile incontrare l'uso di apostrofi difformi dal classico apice della tastiera (si possono riconoscere poiché in genere sono obliqui - sono, tra gli altri, i caratteri avente codice ASCII 0145 o 0146). Nel caso l'utente decida, come di norma dovrebbe fare, di considerare tali caratteri come ALFABETO, TaLTaC² mostra un messaggio in cui chiede se si vuole operare la trasformazione di questi apici difformi in apici convenzionali, in maniera da eliminare inutili differenze puramente formali. A meno di particolari motivi propri dell'utente, si consiglia di rispondere Sì a tale richiesta. Se si decidesse, invece, di considerare questi apostrofi come SEPARATORI, non verrà mostrato alcun messaggio né verrà effettuata alcuna trasformazione.

Al termine il Corpus è caricato nel DB di Sessione e la maschera che compare riporta le tabelle create dalla fase di parsing:

·     il Vocabolario. E' la lista di tutte le parole presenti nel corpus, riportante anche la lunghezza di ognuna in caratteri e la frequenza (occorrenze) con cui compare nel testo. Per i numeri e le percentuali (anche separati da virgola o punto) viene anche aggiornato il campo CAT con l'etichetta NUM;

·     la lista Alfabeto/Separatori. Presenta tutti i caratteri presenti nel corpus e la loro frequenza (compresi i caratteri/separatori delle righe di identificazione di frammenti e sezioni, con titoli e valori delle variabili). I separatori sono identificati dall'etichetta SEP nella colonna Status.

·     le liste [Descrizione Sezioni] e Frammenti con var categoriali e/o ex-post (testuali/quantitative) che riassumono rispettivamente le informazioni sulle sezioni e sulle variabili categoriali. (cliccare sul link per i dettagli sulla maschera DB di Sessione).

Il Parsing non tiene conto di eventuali spazi multipli (una sequenza di spazi bianchi verrà mostrata nella finestra di esplorazione del corpus con un unico spazio). Viene aggiunto, inoltre, uno spazio dopo il punto, il punto esclamativo, il punto interrogativo, i due punti, la virgola, il punto e virgola, l'apostrofo, le parentesi tonde e quadre, il tabulatore e il fine paragrafo. Tutto questo avviene solo nella visualizzazione del corpus, mentre il file di origine del corpus non viene assolutamente modificato.

ATTENZIONE: Il Parsing ricostruisce queste quattro tabelle come se il corpus fosse stato caricato per la prima volta. Questo significa che andranno perdute tutte le informazioni che l'utente può avere inserito nel corso del proprio lavoro (attraverso le procedure di Tagging grammaticale, Lessicalizzazione, Tagging semantico, Scritture nei campi, Calcolo di sub-occorrenze ecc.). Non vengono eliminate la Lista dei segmenti, anche se verrà chiesto di ricalcolarla, le tabelle importate o quelle derivanti da fusioni sui campi, confronti lessicali e selezioni su tabelle.