Contenidos 1 INTRODUCCIÓN ESQUEMA DE INFORMACIÓN FICHA DESCRIPTIVA DEL CATÁLOGO FICHAS DESCRIPTIVAS DE DATASETS...

Transcripción

1 En colaboración con Las opiniones recogidas en este documento no se corresponden, necesariamente, con las de ninguno de los organismos públicos participantes en esta iniciativa.

2 Contenidos 1 INTRODUCCIÓN ESQUEMA DE INFORMACIÓN FICHA DESCRIPTIVA DEL CATÁLOGO FICHAS DESCRIPTIVAS DE DATASETS Formatos de los datos... 9

3 1 INTRODUCCIÓN Los conjuntos de datos que pueden ser expuestos para su reutilización pueden ser de dos tipos: datos en crudo -o ficheros estáticos que incluyen los datos en formato XML, CVS, etc.-, y datos Linked Data, expresados semánticamente siguiendo los principios de la Web Semántica o Web 3.0. Para una gestión óptima de los conjuntos de datos es necesario establecer una catalogación de los mismos, que permita visualizar y acceder a la información por parte de los agentes reutilizadores. El catálogo de los conjuntos de datos o datasets se generará en base a cierta información introducida por los catalogadores a través de una aplicación de catalogación. En este documento se detallan las características de alto nivel del sistema de catalogación, relativas tanto a las fichas utilizadas para la gestión de los registros del catálogo como a la propia ficha del catálogo. Para su elaboración se ha tenido también en cuenta el Esquema Nacional de Interoperabilidad 1, de forma que los metadatos definidos se ajusten a su normativa técnica 2. 2 ESQUEMA DE INFORMACIÓN En la figura 1 aparecen representadas las distintas entidades que conforman un catálogo de datos: catálogo, registros del catálogo, los datasets, y las distribuciones. El catálogo se refiere al listado que incluye una colección de registros relacionados con los conjuntos de datos que componen dicho catálogo. En el catálogo se incluye información general descriptiva, los términos de uso de los datos incluidos, e información técnica. Un registro del catálogo es cada una de las entradas del catálogo que están asociadas directamente con los datasets -o conjuntos de datos-. Cada registro incluye información técnica sobre la catalogación de cada dataset (fechas de creación y actualización, o información sobre el origen de la entrada). Cada registro estará relacionado con un único dataset. Un dataset es un conjunto de datos, relacionado con una temática en concreto, que está asociado con un registro del catálogo, e incluye: información descriptiva y/o técnica sobre los datos que contiene la licencia aplicada sobre los datos Cada dataset tiene un volcado de datos asociados, que puede estar representado mediante distintos formatos, esto se conoce como distribuciones. Un dataset tiene una o varias distribuciones. Una distribución es la representación de un acceso al volcado de datos de un dataset en un formato determinado. Además del formato, cada distribución indicará su tamaño y alguna información técnica adicional sobre la interpretación y uso de la misma. 1 Texto consolidado Real Decreto 4/2010, de 8 de enero: 2 Normas Técnicas de Interoperabilididad:

4 Catálogo 1 1..n RegistroCatálogo 1 1 Dataset 1 1..n WFS XML XLS Distribución (formatos) Figura 1 - Esquema de información que relaciona la definición del catálogo, los datasets y sus distribuciones. 3 FICHA DESCRIPTIVA DEL CATÁLOGO Los metadatos a recoger son los siguientes: : el campo puede tener múltiples valores y deberá repetirse para cada uno : el campo no puede quedar vacío : el valor del campo puede ser rellenado automáticamente por el sistema Nombre Breve título o nombre dado al catálogo de datos. Texto libre. (recomendable limitar a 128 caracteres) Descripción Breve resumen descriptivo del catálogo de datos Texto libre. Publicador Creador del recurso (ficha del catálogo) Valor fijo correspondiente al responsable de la plataforma y seleccionable de una tabla normalizada de agentes: código alfanumérico único para cada Cadena de órgano/unidad/oficina extraído del Directorio Común gestionado por el MPTAP.

5 Conjuntos de datos Colección de referencias a la totalidad de datasets que componen el catálogo Valores correspondientes a los identificadores de datasets. Si Si Si Extensión Indica el número total de conjuntos de datos existentes Número. No No Si Identificador Referencia para identificar el catálogo. Valor fijo correspondiente al nombre de dominio del catálogo. (Ejemplo: datos.gob.es) creación Indica la fecha de publicación inicial del catálogo Valor fijo correspondiente a la fecha de publicación del portal. El formato general será: [<YYYY-MM-DD>T<hh:mm:ss>]. Formato ISO actualización Fecha en la que se modifica por última vez el catálogo (se añade, elimina o modifica un dataset). Timestamp en el momento de la actualización. El formato general será: [<YYYY-MM-DD>T<hh:mm:ss>]. Formato ISO8601. Idioma Indica los idiomas en los que se proporciona la información del catálogo. Valor seleccionables entre varias opciones: {ca, es, gl, eu, ca, va}. Se utilizará como vocabulario estandarizado el conjunto de etiquetas definido en el RFC y los valores definidos en el registro de la IANA 5. Si Si No Cobertura geográfica Ámbito geográfico cubierto por el catálogo Valor fijo para el país seleccionado de la taxonomía propia de cobertura geográfica. Categorías Totalidad de materias incluidas en el catálogo. Se utilizarán todos los temas de la taxonomía 6 definida para el catálogo que estén en uso actualmente. Si Si Si Página de inicio Dirección web de acceso al catálogo de datos. Valor fijo correspondiente a la URL de la página web de entrada al catálogo. Términos de uso Referencia de los términos de uso del catálogo. Valor fijo correspondiente a la URL de la página web del catálogo con la información de las condiciones. 3 Todos los elementos, sub-elementos y, en su caso, sub-sub-elementos que requieren información numérica de fecha y hora deben utilizar la norma internacional ISO 8601:2004. Para mayor información, véase 4 RFC4646:2006 proporciona una sintaxis para construir descripciones de lenguas utilizando ISO 639 para códigos de lenguas, ISO 3166 para códigos de país, e ISO para códigos de escrituras. Tags for Identifying Languages 5 IANA Language Subtag Registry: 6 Véase la última versión del documento PLANCISP-TAX-nn (donde nn es el número de versión)

6 En caso de utilizar múltiples idiomas no sería necesario crear múltiples fichas, sino que replicarán los metadatos necesarios en los distintos idiomas. 4 FICHAS DESCRIPTIVAS DE DATASETS Los metadatos a recoger son los siguientes: : el campo puede tener múltiples valores y deberá repetirse para cada uno : el campo no puede quedar vacío : el valor del campo puede ser rellenado automáticamente por el sistema Registro del Catálogo Catálogo Referencia al identificador del catálogo al que pertenece el registro. Secuencia de caracteres correspondiente al identificador del Catálogo. publicación Fecha en la que se añade el registro al catálogo. No es la fecha de publicación del dataset Timestamp en el momento de la publicación. El formato general es: [<YYYY-MM- DD>T<hh:mm:ss>]. Formato ISO8601. actualización Fecha en la que se modifica por última vez la entrada del catálogo. No es la fecha de actualización del propio dataset Timestamp en el momento de la actualización. El formato general es: [<YYYY-MM- DD>T<hh:mm:ss>]. Formato ISO8601. Relacionado con Dataset que está relacionado con la entrada actual, ya que puede ser una versión similar a otra catalogada anteriormente (actualizaciones periódicas de los mismos datos). Valor correspondiente al identificador del dataset realcionado y seleccionable a través de una lista de los datasets ya existentes en el catálogo. Si No No Descripción del dataset Nombre Breve título o nombre dado al conjunto de datos. Texto libre. (recomendable limitar a 128 caracteres) Descripción Descripción detallada del dataset Texto libre. Categoría Temática o materia primaria del dataset Valor seleccionable de la Taxonomía (Descrita en documento específico aparte) Tags / Etiquetas Conjunto de etiquetas textuales específicas sobre la temática del dataset Valores seleccionables de una lista de etiquetas gestionable desde el CMS 7. (Podrán ser varias palabras separadas por algún signo de puntuación concreto) Si No No 7 Véase el punto 4 Extensión temática de la última versión del documento PLANCISP-TAX-nn (donde nn es el número de versión).

7 Descripción del dataset Identificador Referencia de uso interno para identificar al dataset Su valor será un código identificador / URI creación creación del dataset El formato general es: [<YYYY-MM- DD>T<hh:mm:ss>]. Formato ISO última actualización Última fecha conocida en la que se modificó o actualizó el contenido del dataset El formato general es: [<YYYY-MM- DD>T<hh:mm:ss>]. Formato ISO8601. Frecuencia de actualización Periodo de tiempo aproximado que suele pasar entre actualizaciones del dataset, si hubiera Valor seleccionable entre varias opciones: {minuto, hora, diario, semanal, quincenal, mensual, trimestral, semestral, anual, varios años} Idioma Indica el lenguaje en el que se encuentra la información del conjunto de datos Valor seleccionable entre varias opciones: {ca, es, gl, eu, ca, va}. Se utilizará como vocabulario estandarizado el conjunto de etiquetas definido en el RFC Si Si No Depositario Agente 10 actual que mantiene el dataset Valor seleccionable de una tabla normalizada de agentes: código alfanumérico único para cada Cadena de órgano/unidad/oficina extraído del Directorio Común gestionado por el MPTAP. Creador Agente original que crea el dataset Valor seleccionable de una tabla normalizada de agentes: código alfanumérico único para cada Cadena de órgano/unidad/oficina extraído del Directorio Común gestionado por el MPTAP. Si no hay cambio organizativo el creador es el mismo que el propietario, y si hay cambio el propietario sería el nuevo responsable, y el creador el original. Nombre de Licencia Nombre descriptivo de la licencia aplicable al Dataset Texto libre. URL a la licencia Dirección web a la descripción de la licencia. URL a una página web del agente correspondiente o del propio catálogo. Tasa Indicador de la existencia o no de contraprestación económica Valor seleccionable: {Gratuita, Según tarifa} 8 Todos los elementos, sub-elementos y, en su caso, sub-sub-elementos que requieren información numérica de fecha y hora deben utilizar la norma internacional ISO 8601:2004. Para mayor información, véase 9 RFC4646:2006 proporciona una sintaxis para construir descripciones de lenguas utilizando ISO 639 para códigos de lenguas, ISO 3166 para códigos de país, e ISO para códigos de escrituras. Tags for Identifying Languages 10 Agente: Una corporación, elemento organizativo o sistema responsable de las acciones sobre el catálogo y/o sus conjuntos de datos. No incluye personas individuales.

8 Descripción del dataset URL a la tarifa Dirección web a la descripción de la tarifa aplicable. URL a una página web del agente correspondiente. Únicamente se informará si Tasa = Según tarifa. No Condicional No Cobertura geográfica Mayor ámbito geográfico cubierto por el dataset Valores seleccionables de las tablas país, región y provincia, según taxonomía propia de cobertura geográfica. Si No No Detalle geográfico Nivel de detalle geográfico del dataset Valor seleccionable de una taxonomía propia de cobertura geográfica: {provincia, comunidad autónoma, nación}. Inicio Cobertura temporal inicio del periodo cubierto por el dataset El formato general es: [<YYYY-MM- DD>T<hh:mm:ss>]. Formato ISO8601. Fin Cobertura temporal fin del periodo cubierto por el dataset El formato general es: [<YYYY-MM- DD>T<hh:mm:ss>]. Formato ISO8601. Detalle temporal Nivel de detalle temporal del dataset Valor seleccionable entre un conjunto de periodos: {minuto, hora, día, semana, quincena, mes, trimestre, semestre, anual, varios años} Recursos relacionados Uno o más enlaces apuntando a más información relativa al dataset (información sobre los propios datos, material audiovisual, etc.) Una o varias URLs a páginas web del agente correspondiente o del propio catálogo, acompañadas cada una con un breve texto descriptivo. Si No No Distribuciones Referencia a los formatos de distribución del conjunto de datos Su valor será una o varias referencias al identificador de los formatos de distribución correspondientes. Si Si Si Formato de Distribución Identificador Referencia de uso interno para identificar al formato de distribución Su valor será un código identificador / URI

9 Formato de Distribución URL del dataset URL que apunta al recurso (fichero, servicio, etc.) que contiene o da acceso a los datos finales. URL que puede ser a un canal RSS, Servicio Web, a un fichero descargable, etc. Deberá permitirse URL largas, ya que puede ser una consulta a un servicio SPARQL o similar, donde la consulta se incluye en la querystring. Si el fichero se alojara en la propia plataforma del catálogo este campo se cumplimentaría de forma automática. No Si Condicional Tipo de acceso Modalidad de acceso a la fuente del conjunto de datos, que indica el grado de inmediatez en la obtención del conjunto de datos en el formato indicado Valor seleccionable entre directo o indirecto (Indirecto se refiere al acceso a catálogos, fuentes comprimidas, documentación de APIs, etc., lo que implicará la necesidad de algún tipo de procesamiento adicional por el usuario para obtener el conjunto de datos en el formato indicado) Formato Formato en que se encuentra representado el dataset Valor seleccionable de la lista de formatos admitidos para documentos electrónicos en la Norma Técnica de Interoperabilidad de Catálogo de estándares. (También Ver apartado 4.1 en este documento). Tamaño Tamaño aproximado del conjunto de datos Será un valor fijo entero (de 1 a 1000), acompañado de una de las siguientes unidades digitales: "B (Bytes), KB (Kilobytes), "MB (Megabytes) y "GB (Gigabytes). Más información sobre el formato Enlaces a documentos relacionados con el formato, donde se indica el formato o esquema utilizado para su representación. URL a un documento que indique más información relacionada con el formato en el que se representa el dataset. (Por ejemplo, podría ser un esquema XSD asociado a un dataset en XML o una página HTML con más información sobre el formato seguido). Se podrán añadir varias distribuciones o formatos de representación a cada entrada del catálogo. 4.1 Formatos de los datos Cada dataset puede tener más de un formato. Cada formato estará identificado por su tipo de formato y por un URI único que identifica el lugar donde se puede acceder para ser consultado o descargado Lista de formatos de datos Para la representación de los formatos, se recomienda el empleo de los Tipos MIME 11 estándar, así como su representación textual relacionada. 11 MIME Types:

10 A continuación, se muestran los típicos tipos MIME que se pueden encontrar en una plataforma RISP. El tipo MIME podría ser guardado para usos futuros en la base de datos, aunque al usuario sólo se le debería mostrar el nombre legible. Formato CSV HTML XHTML Texto plano XML Calendario JSON PDF PostScript SOAP SPARQL-XML SPARQL-JSON RDF-XML RDF-N3 RDF-Turtle Excel ZIP WMS WFS georss DjVu DWG KML KMZ SHP Tipo MIME text/csv text/html application/xhtml+xml text/plain text/xml text/calendar application/json application/pdf application/postscript application/soap+xml application/sparql-results+xml application/sparql-results+json application/rdf+xml text/rdf+n3 application/x-turtle application/vnd.ms-excel application/zip text/xml text/xml text/xml image/vnd.djvu image/vnd.dwg application/vnd.google-earth.kml+xml] application/vnd.google-earth.kmz] application/x-zipped-shp A medida que aparezcan nuevos formatos, se deberán ir añadiendo a la lista existente.