Zum Inhalt wechseln

Novinky Novinky

Zurück

Štúdia Open Data Node

Kontext a východiská

Cieľom bolo navrhnúť jednoduchý a autonómny systém, ktorý zbiera, spracúva, uchováva, prezentuje a poskytuje dokumenty (a metadáta k nim) - to všetko na technologicky neutrálnom základe, na princípe otvorenej architektúry a použitím otvorených štandardov pre čo najväčšiu a najjednoduchšiu použiteľnosť.

Štúdia v súčasnosti prešla do štádia realizície v rámci výskumného programu FP7 v projekte COMSODE a aktuálne informácie o Open Data Node môžete nájsť na adrese http://opendatanode.org/ .

Big Picture

Pre lepšie pochopenie témy a štruktúry problému načrtneme celkový obraz - ideu resp. víziu riešenia ako celku.

Component Model

Meno komponentu Účel Poznámka
Data Harvester Automatická a poloautomatická aktualizácia dát Rôzne protokoly a techniky: OAI-PMH, web download, offline files, user-upload, ...
Open Data Enhancer Spracovanie vstupných dát: OCR, automatická extrakcia metadát, klasifikácia, kontextualizácia a obohatenie  
Open Data Repository Centrálne úložisko dát, metadát a indexov pre open data  
Open Data Services & API Dátové služby pre aplikácie tretej strany  
Portal & Applications Portál ako organizačný a technický nástroj pre komunity Základná funkcionalita pre vyhľadávanie a prezentáciu open data dokumentov, ...

Data Harvester

Hlavnou úlohou tohto komponentu je kŕmiť systém surovými dátami (dokumentami) na pravidelnej báze - pridávať nové aj aktualizovať staré.

  • zbiera dáta z definovaných zdrojov
    • podporuje protokoly ako OAI-PMH, HTTP/HTTPS, FTP, file-system
    • podporuje všetky bežné obrazové a textové formáty (JPG, TIFF, TXT, PNG, PDF, DOC, HTML, XML, ...)
  • robí základnú validáciu, transformáciu a konverziu do mediačných (výmenných, pracovných) formátov
  • definuje (pridáva) technické a organizačné metadáta - zdroj, čas zberu, pôvodcu, formát, veľkosť, ...
  • scheduler pre naplánovanie (pravidelného) zberu dát, pre každý zdroj
  • umožňuje jednorázový, okamžitý zber

Open Data Enhancer

Komponent má zo vstupného dokumentu získať maximálne množstvo relevantných informácií (metadát) a vyhodnotiť ich kvalitu (úplnosť, presnosť, relevanciu, ...)

  • ak ide o netextový dokument, pokúsi sa rozpoznať textovú zložku (subkomponent OCR)
  • klasifikuje dokument podľa typu (obsahu), napr. zmluva, faktúra, ...
  • v texte dokumentu (aj získanom cez OCR) rozpozná základné (obsahové) atribúty dokumentu (podľa typu dokumentu) - ide o "text mining" a "text recognition" resp. vyťažovanie dokumentov
  • pomocou "spellcheckera" a definovaných slovníkov (registrov, autorít) doplní alebo opraví metadáta

Open Data Repository

Centrálne úložisko pre dáta, metadáta (obsahové, technické aj prevádzkové) a indexy (pre fulltextové aj fazetové vyhľadávanie). Skladá sa z

  • úložiska dát (repozitory) - uložený je priamo dokument alebo odkaz na neho
  • úložiska metadát (repozitory), napr. vo formáte RDF
  • indexačný server (podpora pre fulltext, fazety, triedenie, filtrovanie)
  • image server - podľa potreby na prípadné uloženie a poskytovanie veľkých obrazových dát

Okrem toho umožňuje

  • prideľovanie a správu jednoznačného a perzistentného ID dokumentov pre udrziavanie identity, riesenie duplicít a umožnenie vnútorných a vonkajších väzieb medzi dokumentami.
  • management & monitoring, tj. správu a údržba dát na úrovni správcu systému

Open Data Services & API

Služby a otvorené rozhrania pre podporu aplikácií tretích strán, tvorbu mashupov atd. nad všetkými spracovanými dátami v systéme.

Portal & Application

Webové používateľské rozhranie, jeho základné úlohy sú:

  • zakladne informacie o aktivite Open Data
  • sprístupniť všetky spracované dokumenty na základnej úrovni:
    • vyhľadať dokumenty - browsovaním, fulltextom, filtrovaním, vyhľadávaním podľa metadát
    • zobraziť dokumenty (a metadata) vo vhodnom pohľade - zoznam, detail, tabulka (neskor mapa, casova os, graf, ...)
  • komunitný a kolaboračný nástroj pre všetky zúčastnené strany (poskytovateľov dát, poskytovateľov aplikácií, používateľov aplikácií, prispievateľov, širokú verejnosť, ...)
  • poskytovat zakladne zoznamy a statistiky - zdroje a ich kvalita, prispievatelia, trendy, najziadanejsie/najdiskutovanejsie dokumenty, najaktivnejsie skupiny...
  • umozni spatnu vazbu na dokumenty a zdroje, vratane systemu pre opravy a doplnenie metadat (napr. crowd sourcing)

Odkazy

Automatická extrakcia metadát zo zverejňovaných dokumentov,

Durchschnitt (0 Stimmen)


O projekte O projekte

Projekt OpenData

Autor: wiki

Ciele projektu

Na základe východiskovej situácie stanovujeme nasledovné ciele pre projekt:

  • zadefinovať formáty a opensource technológiu pomocou ktorej by inštitúcie mohli efektívne poskytovať dáta - vytvoriť pilotnú implementáciu Open Data Node,
  • propagácia myšlienky zdieľania verených informácií medzi občanmi a štátnymi inštitúciami a inštitúciami medzi sebou
  • podpora tretieho sektoru v budovaní riešení nad týmto riešením,
  • vytvoriť prototyp súborného katalógu,
  • vytvoriť prototyp dátového skladu (DWH) určeného na zber, spracovanie a ukladanie metadát o dátach poskytovaných inštitúciami,
  • vybudovať reportovaciu vrstvu nad dátami pre komfortné vytváranie reportov a modelovanie dát pomocou webového grafického rozhrania - Open Data Portál,
  • legislatívne dosiahnuť publikovanie dát generovaných verejným sektorom pod licenciou Creative Commons
  • spropagovať myšlienku využívania opensource riešení v štátnej správe
  • spustiť "supportné centrum" pomáhajúce budúcim používateľom systému integrovať ho s ich systémami
  • zapojiť sa do procesu participatívneho rozpočtu pre Bratislavu

 

Prvá etapa - definícia formátov pre zdieľanie informácií a výber vhodnej OSS technológie

Navrhované riešenie obsahuje open source balík a metodiku nasadenia, poskytujúcu organizácii (ministerstvo, obec, nezisková organizácia, súkromná firma) nástroj na zverejňovanie dát z interných systémov. V prvej fáze sa zabezpečuje publikovanie verejných informácií pomocou otvorených štandardov (napr. verejne dostupné zmluvy, príjmové a nákladové položky, účtovné dáta, vyhlášky atď.)

Každá organizácia si sama zvolí aké dáta bude publikovať a v akých intervaloch ich bude aktualizovať. Veríme, že otvorená komunikácia medzi organizáciami a verejnosťou vytvorí rozumný kompromis medzi uzavretosťou a otvorenosťou informácií.

Momentálne je to práve oblasť katalogizácie knižničných a kultúrnych diel, kde zverejňovanie digitálnych dokumentov dosahuje svoj vrchol. Ak by sme však myšlienku scanu obrazu v galérii zamenili za scan faktúry na mestskom zastupiteľstve, vieme jednoducho aplikovať výsledky výskumu a vývoja z kultúrnej oblasti práve na tématiku Open Data. Preto napríklad z kultúrnej oblasti preberáme zadefinovaný komunikačný štandard Open Archives InitiativeProtocol (OAI-PMH). Tento komunikačný štandard je vhodný pre tzv. read-only zverejňovanie údajov.

Riešenie tiež poskytuje prístup k údajom pre aplikácie tretích strán, aby sa zverejnené Open Data využívali viac a lepšie. Aj v tomto prípade ide o prevzatie overených konceptov z iných sfér (Web 2.0, sociálne siete, ...).

Obdobne je pre dáta vstupujúce do riešenia zadefinované aj otvorené rozhranie určené na vývoj nástrojov na spracovanie tých dát, ktoré používajú špecifické a málo rozšírené formáty.

Týmto spôsobom je možné poskladať riešenie projektu OpenData z existujúcich a overených open source technológií a štandardov a prevádzkovať ho tak  aj v najväčších slovenských organizáciach (ministerstvá, veľké firmy).

Súčasťou riešenia je aj analýza bezpečnosti a vypracovanie doporučení pre nasadenie riešenia v rôznych druhoch organizácií. Referenčná implementácia riešenia bude nasadená vo vybraných subjektoch a následne bude otestovaná a certifikovaná.

Predpokladáme, že sa nám pre potreby riešenia OpenData podarí využiť potenciál existujúceho slovenského open source balíka Custodea, ktorý rieši problematiku digitálneho zverejňovania v kultúrnom sektore.

Architektúra riešenia

Ako to funguje

  • Nainštalovaný balík (open source) aplikácií - Open Data Node - zbiera dokumenty a metadáta o nich, spracúva ich a poskytuje verejnosti, inštitúciám aj ďalším aplikáciám.
  • Dokument sa do Open Data Node môže dostať viacerými spôsobmi:
    • Používateľ vloží dokumenty a vyplní pre ne metadáta cez webové rozhranie.
    • Open Data Node, prostredníctvom Harvestera monitoruje definované zdroje a automaticky zbiera a spracúva (OCR, extrakcia metadát, konverzia, previazanie s registrami atď.) zverejnené dokumenty.
    • Autorizovaní používatelia kontrolujú, komentujú a dávajú prípadné návrhy na opravu či úpravu zozbieraných dokumentov, čím vytvárajú obsah vo vyššej kvalite, s prípadnými anotáciami a doplnenými väzbami (referenciami).
  • Zdrojom dokumentov (a dát vo všeobecnosti) sú všetky zverejnené údaje v rámci informačných systémov inštitúcií a webových stránok - verejná správa, štátna správa, tretí sektor, ale aj vybrané informácie zo súkromných zdrojov. Väčšina v súčasnosti publikovaných faktúr z verejného sektora či príspevkových organizácií je zverejnená v podobe skenovaných faktúr. Tieto sú kandidátom na vyťažovanie pomocou OCR, alebo výstupov z účtovníctva, ktoré vie harvester spracovať priamo.
  • Dôležitým zdrojom informácií sú verejné registre, ako je Obchodný register, registre Štatistického úradu a pod., ktoré umožnia referenčnú integritu zozbieraných dokumentov a ich metadát.
  • Sprístupnenie zozbieraných dát má niekoľko úrovní:
    • poskytovanie pre harvesting (OAI-PMH, FTP, HTTP, ...) ďalšími systémami (napr. aj iné Open Data Node)
    • poskytovanie formou služieb, cez štandardné rozhrania ako sú WebServices, REST a pod. v rôznych formátoch (XML, JSON, ...) pre maximálne zjednodušenie aplikácií tretích strán, ktoré budú chcieť využívať zozbierané Open Data
    • poskytovanie dát a služieb s pridanou hodnotou cez web rozhranie (browsovanie)
    • dávkový export (vybranej podmnožiny) metadát do zvoleného formátu (RDF/XML, SKOS, DublinCore)
  • Prezentácia zozbieraných dát: samotný Open Data Node bude prezentovať v ňom uložené (evidované) dáta niekoľkými spôsobmi:
    • ako jednoduchý zoznam "odkazov" ktoré vyhovujú zadanému filtru (google-like)
    • fazetové browsovanie / filtrovanie (podľa rôznych kategórií - pôvod dokumentu, typ dokumentu, dátum dokumentu atď.)
    • zobrazenie na mape (pre dokumenty ktoré sú previazané na geografickú lokalitu, napr. stavebné povolenie, sídlo firmy atď)
    • zobrazenie na časovej osi (pre dokumenty ktoré obsahujú časový údaj, napr. splatnosť faktúry, dátum podpisu zmluvy)
    • tabuľka s vybranými stĺpcami, vrátane možnosti exportu do formátu CSV (Excel a pod.) alebo XML
  • Portál: zoznam inštitúcií pripojených k iniciatíve treba evidovať v zozname, pre začiatok bude použité jednoduchšie riešenie vo forme Wiki alebo blogu, neskôr je ale potrebné zaviesť formalizovaný adresár
  • Otvorená architektúra: jednotlivé komponenty architektúry, ako aj jednotlivé inštalácie systému (Open Data Node) sú voľne integrovateľné do hierarchie (kaskády, ...), čím sa dosiahne maximálna flexibilita čo do typu a účelu zbieraných dát (segmentové resp. sektorové systémy, napríklad pre zdravotnícke dáta, školstvo, regionálne dáta atď.) a tiež čo do spôsobu (pred-)spracovania vstupných dát - OCR, extrakcia, formáty, veľkosti, validácia, limity.


Ilustrácia zapojenia viacerých Open Data Node do hierarchie