Los errores sintácticos han sido uno de los problemas que me he encontrado al analizar el código HTML de los blogs con el programa  Lestat, como ya  escribí  hace tiempo en el post titulado  El diablo cojuelo.  Hace unas semanas  Norberto Fernández,  profesor de mi Departamento  me sugirió  que convirtiese el HTML de los blogs a XHTML y me indicó dos herramientas para hacerlo: tidy y html2xhtml.

Estas herramientas son capaces de convertir HTML en XHTML, ordenando, limpiando y corrigiendo los errores de markup.  Las ventajas de trabajar con XHTML son múltiples:  es un lenguaje de marcas bien estructurado, permite de recorrer el documento  con XPATH o con XSLT.

La herramienta tidy, disponible en lenguaje c y java, fue desarrollada por Dave Raggett y como dice su autor:

Is an open source utility for tidying up HTML. Tidy is composed from an HTML parser and an HTML pretty printer. The parser goes to considerable lengths to correct common markup errors. It also provides advice on how to make your pages more accessible to people with disabilities, and can be used to convert HTML content into XML as XHTML. Tidy is W3C open source and available free. It has been successfully compiled on a large number of platforms, and is being integrated into many HTML authoring tools. Recently the maintenance of Tidy has been taken over by a group of dedicated volunteers on SourceForge

La herramienta   html2xhtml se ofrece como servicio web y su código fuente está  disponible en lenguaje c que funciona tanto en plataformas GNU/Linux como Windows, aunque en su versión compilada sólo se ofrece para Windows, siendo necesario en otras plataformas compilarlo a partir de su código fuente.  Ha sido desarrollada por Jesús Arias Fisteus, profesor de la Universidad Carlos III y como dice su autor:

Is an open-source converter from HTML to XHTML. it converts HTML files into XHTML. It can fix many common errors in HTML files (e.g. missing end tags, elements with incorrect content model, non-standard elements or attributes, etc.) The output document type can be selected among several XHTML DTDs (1.0, 1.1, Basic, etc.).

He realizado una prueba  de estas dos herramientas sobre 100 blogs de la tesis de Tíscar Lara y estos han sido los resultados:

Después de esta prueba  se me abren nuevos caminos para continuar el desarrollo de lestat. Pero como decía Scarlett O’Hara, “eso lo pensaré mañana”.

——–

Tíscar habló de su tesis sobre “Construcción de identidad profesional a través el blog personal de periodistas”, las dificultades de manejar los datos y de  nuestra colaboración que se inicio en el Medialab Prado. Enseñamos nuestra primera maqueta de Barriblog de la que nos llevamos un feedback de Jose Luis Molina, que espero poder implementar.

Aproveché la ocasión para hablar de las experiencias en  visualización con las que he experimentado este ultimo año y que se pueden ver a continuación

Allí me reencontré con Edgar Gómez recién llegado de México y dispuesto a escribir su tesis y con Enric Senabre del equipo de OCS  que conocí  en el Madialab Prado. Pudimos interactuar con los asistentes antes y después del seminario en torno a unos refrescos. Qué menos que socializar en un seminario sobre redes sociales :-) y  quedar enlazados por Twitter o Facebook.

Fue muy agradable conocer a Jose Luis Molina que presentó sus trabajos de antropología basados en los estudios de las migraciones. Se apoya en  la visualización para crear modelos visuales de representación de relaciones sociales que le permiten comparar comportamientos sociales. Además de un trabajo de investigación muy interesante tiene una aplicación  práctica a la mejora social.

He despertado a  Lestat para ampliar y mejorar sus funciones. Es una dura tarea retomar un programa que se ha dejado reposar demasiado tiempo. Con paciencia y perseverancia estoy intentando  volver a entenderlo como el día que lo  dejé aunque esto tiene su precio.

Una de las facturas que me ha pasado Lestat por este abandono ha sido un bug que me ha costado un poco encontrarlo. Estoy falta de reflejos pero en mi favor tengo que decir que el bug tenía  un sentido del humor muy sutil. Aquí lo cuento para que juzgue el lector:

Una de las funciones que le he añadido a Lestat es un fichero de configuración para darle más flexibilidad en la ejecución. Para ello he definido una gramática que permita describir la configuración y la he analizado con lex/bison.  Además de la  definición del léxico de la gramática puse una expresión regular para descartar caracteres en blanco, tabulaciones y saltos de línea de esta manera  [\ \t\n]* y un default para gestionar errores léxicos  que ejecutaba lo siguiente:

fprintf(stderr,  "Error lexico en linea %d. Mira a ver si \'%s\' es el culpable.\n",  yylineno, yytext);
fprintf(stderr,"Lestat le desea mejor suerte la proxima vez \n");

Al ejecutar el analizador del fichero de configuración obtenía un resultado incomprensible:

' es el culpable.inea 1. Mira a ver si '
Lestat le desea mejor suerte la próxima vez

Primero sospeché que la función fprintf tenía un error en los parámetros y que el stack estaba corrupto. Lo miré con tanta fijeza como incredulidad.  Tras muchas trazas y muchas vueltas encontré la explicación:

El fichero de configuración lo había escrito en Windows por lo que el  salto de línea era <CR><LF> (\r\n) en vez de carácter  de salto  de línea <LF> (\n) que utiliza unix. El análisis léxico detectaba el carácter  <CR>  como error léxico y se ejecutaba la sentencia:

fprintf(stderr,  "Error lexico en linea %d. Mira a ver si \'%s\' es el culpable.\n",  yylineno, yytext);

yytext contenía un <CR> que hacía que cuando se había escrito

Error lexico en linea 1. Mira a ver si '

Se volviera al inicio de la línea para escribir lo restante:

es el culpable.inea 1. Mira a ver si’

La solución al problema era tan sencilla como poner la expresión regular [\ \t\r\n]* para filtrar blancos, tabulaciones y salto de línea.

Estas son las cosas que pasan en la programación y que nos hacen perder mucho tiempo

Esta mañana aún quedaban acreditaciones por recoger pero había poco movimiento en el mostrador de registro. Los topics más escuchados han sido “I lost” & “I forgot”. Ha habido un caso con final feliz de cámara de fotos perdida y recuperada en el restaurante de la cena de la conferencia.

La primera keynote de hoy ha corrido a cargo de Pablo Rodriguez de Telefónica I+D.  Como siempre, rápido y puntual, se ha publicado un estupendo resumen en el blog de La  Cofa en el post titulado WWW2009: la infraestructura futura de Internet.

La segunda keynote ha correspondido a  Ricardo Baeza-Yates y se ha titulado Mining the Web 2.0 for Better Search. Ha versado sobre como buscar el circulo virtuoso entre conocimiento explícito (metadata. RDF, wikipedia, ODP, Y! answers y Flickr) y el conocimiento implícito (texto, anchors-links, queries, links).  Se ha referido a la herrramienta Correlator from Yahoo! que realiza búsquedas semánticas en la wikipedia y construye una nueva página.

Twitter ha sido la herramienta de retransmisión de las conferencias. Gracias a la herramienta  mailana  de Pete Warden  podemos ver el grafo social de la conferencia. Para mi sorpresa  no he encontrado uno, sino dos grafos disconexos: El de los asistentes a la conferencia y el de la blogosfera española. Alguien tendría que conectar ambos grafos.

(Haciendo clic en la imagen se accede a la herramienta interactiva)

Grafo social de la conferencia

Grafo social de la blogosfera española.

La próxima conferencia   WWW2010 tendrá lugar en Raleig, Carolina del Norte. No sé si me dará tiempo de presentar un paper.

Pude ver y fotografiar la llegada de Vinton Cerf  que posó muy amablemente para mi blackberry. También pasaron por el mostrador de registro muchas caras conocidas que quedaron atrapadas en mi teléfono con mejor o peor fortuna. Por estar de servicio me perdí el panel previo a la inauguración en el que participaban Sir Tim Berners-Lee, Robert Cailliau, Vinton Cerf , Dale Dougherty   y Mike Shavert.

La keynote inaugural bajo el título de “Twenty Years: Looking Forward, Looking Back“ corrió a cargo de Sir Tim Barnners-Lee. No voy a hacer un resumen de  lo que de forma tan entusiasta nos contó TimBL porque desde el blog de La Cofa lo cuenta magníficamente mi ex-compañero  de Telefónica I+D, Alonso Álvarez, en el post WWW2009: 20 años de Web por Sir Tim Berners Lee.

El jueves 23 estaban casi todos los asistentes registrados por lo que pude asistir a la Keynote de  “The Continuing Metamorphosis of de Web” por Alfred Spector y a los panels Web Search APIs: The next Generation, Query Processing, Ibero-America Papers.

Las conversaciones en twitter de estos dos días se pueden condensar en la siguiente visualización que representa las palabras que han aparecido con más frecuencia en las entradas twitter con el topic  #www2009:  Web, talk, Social, linked, need, tbl, use, Data,  Word, Tim, TimBL, Georges,  Keane, Spector, Susan, Boyle,  Chrius, Ashtom, Roi, y la palabra misteriosa  H&M que no sé que significa exactamente, ¿será que estuvieron de compras por el centro de Madrid?

Parece que se habla a veces más de las personas que de los conceptos. Veremos la conversación de mañana.

Pulsar en la imagen para verla en su tamaño real

El lunes 20 estuve tras el mostrador de registro, despachando la acreditaciones a los asistentes. La organización funcionó muy bien y no se formaron colas.  Antena 3 Televisión realizo este pequeño reportaje y salimos los voluntarios al fondo.

El martes 21 pude asistir al workshop Content analisys in the Web 2.0. Muy interesante para mi doctorado. Los organizadores son:

• Joan Codina - Universitat Pompeu Fabra
• Andreas Kaltenbrunner - Barcelona Media Innovation Centre
• Rafael E. Banchs - Barcelona Media Innovation Centre

Han llegado ya más de la mitad de los asistentes y se espera que el resto llegue mañana por la mañana para la inauguración.

Cartel diseñado por Forges

El Palacio Municipal de Congresos de Madrid   acoge del 20 al 24 de abril la conferencia internacional World Wide Web  (WWW2009), todo un acontecimiento en el mundo de la Web.

Como el  WWW2009 coincide con el 20 aniversario de la  Web, los organizadores  han incluido  un panel conmemorativo para proporcionar una perspectiva de los últimos 20 años y una visión sobre su futuro. Este panel tendrá lugar el 22 de abril a las 9:00 am. y se sentarán en la misma mesa:

• Sir Tim Berners-Lee
• Robert Cailliau
• Vinton Cerf - Google Vice President and Chief Internet Evangelist
• Dale Dougherty - O’Reilly Vice President
• Mike Shaver - Mozilla Vice President

En el programa de la conferencia  se puede encontrar toda la información de detalle. 

Estaré de Voluntaria en la conferencia y podré presenciar desde primera línea el transcurso del este evento e incluso escribir una crónica diaria.

El pasado miércoles asistí a una conferencia de Richard Stallman en el Medialab Prado. En un estupendo español, sin ppt que le amparase nos mostró sus ideas  en un discurso estructurado y coherente.

Habló de las cuatro libertades, de  cómo surgió GNU,  el impacto de linux en GNU, el conflicto de ideas entre en proyecto GNU y Linus Torvalds,  la importancia de difundir en termino GNU/linux y la conveniencia de que en la Administración Pública y en  la educación solo se utilice software libre.

Como una pequeña contribución me hago eco de la  difusión del término GNU-linux desde este blog. Al hablar de distribuciones de Software libre se menciona mayoritariamente el nombre de linux sin ninguna referencia a GNU. Linux es el núcleo, una parte muy importante, pero no es el todo. Las distribuciones incluyen linux con los componentes GNU. Al no mencionarlo no se reconoce la autoría, el esfuerzo ni los ideales de este proyecto. De ahí la importancia de llamarlo GNU/linux.

Se puede constatar el uso del término buscando en Google por “linux” o por  “GNU/linux“. En el primer caso  proporciona 456.000.000 resultados mientras que en el segundo ofrece 21.300.000  resultados, cantidad sensiblemente inferior.

Para ver el uso reciente del término “GNU/linux” frente a “linux“  nada mejor que buscar en las conversaciones de Twitter. Las visualizaciones que aparecen a continuación están realizadas con la herramienta  TwitterStreamGraphs que visualiza en una línea temporal los últimos doscientos posts del topic elegido. Si se pulsa en las imágenes se verán  en su tamaño real.

Topic  GNU/linux, velocidad 100 tweets/día. Unos de los topics asociados que sobresale es linux

Topic GNU: se parece como dos gotas de agua al topic  GNU/linux

Topic linux: velocidad 100 tweets/hora. Tiene asociado testimonialmente el topic GNU

Finalmente, desde aquí mi agradecimiento a Richard Stallman que entre sus muchas contribuciones al software libre se encuentra el hacer que Bison, programa que utilizo para BarriBlog, sea compatible con yacc.

Aunque me ajusto al patrón de los blogueros en el uso de la Red que analizó el estudio “El meme de Enjut@ Mojamut@“,  hasta ayer no fui consciente que en otros entornos estoy que me salgo de la campana de Gauss y que tal vez tengan razón  mis allegados cuando me dicen que lo mío empieza a ser adicción a Internet y que me lo debo hacer mirar

Todo sucedió en la presentación del libro de Francis Pisani en la sala de actos de Fundación Telefónica el pasado día 17 de febrero,  acompañado por José de la Peña, director del área Fórum de Fundación Telefónica y Samuel Martín-Barbero, Decano de IE School of Communication.

La presentación de Francis Pisani fue muy interactiva y entre otras cosas incluyó una encuesta a mano alzada sobre el uso o no de algunas herramientas de la Red. Dio la casualidad que utilizo once de los once recursos por los que él preguntó. El resultado fue que quedé como la más friki de los asistentes, tanto, que desperté la curiosidad de Pisani y en la copa post presentación me preguntó a qué me dedicaba.

Comparto con Francis Pisani su visión positiva de lo que está ocurriendo en la Red pero me inquietó un comentario que hizo sobre la supremacía de los contenidos multimedia con una actitud un poco entreguista a esta tendencia. No puedo evitar sentirme textual y ya que  la multimedia es totalmente predominante que en el ocio, me preocupa que invada a la educación y que se utilice no como un complemento sino como el principal medio de enseñanza.

Solo me queda leer el libro que promete ser muy interesante.

Hace poco he descubierto twilert, un servicio de alertas que escucha las conversaciones que tienen lugar en Twitter y permite que los usuarios reciban por e-mail los tweets que contienen las palabras claves seleccionadas previamente. Me he suscrito a las palabras “visualization” y “visualización“. El resultado ha sido sorprendente, sobre todo con el término en inglés. He encontrado un montón de enlaces interesantes y ya estoy siguiendo a alguno de estos twitteros.

La información encontrada en Twitter por este procedimiento tiene muchas ventajas porque en poco tiempo se puede obtener una información global, actual y resumida de la que se podrá seleccionar rápidamente la que realmente sea interesante para profundizar.

Hoy he encontrado por este procedimiento una herramienta muy interesante desarrollada por Pete Warden que visualiza los amigos en Twitter de una manera interactiva que permite la navegación.

Este es mi mapa de amigos en Twitter. Pulsando en la imagen se accede a la visualización interactiva.