Les formats de fichier

GÉNÉRALITÉS

Définitions

Un fichier informatique est un ensemble de données constitué d’une séquence de bits, soit une séquence de 0 et de 1. La convention pour stocker les données dans un fichier détermine le format de celui-ci.

(Source : Bibliothèque et archives nationales du Québec)

Le format désigne la nature d’un fichier informatique et permet d’identifier le type de
logiciels nécessaire à sa lecture. Chaque fichier porte une extension généralement en
trois lettres qui indique le type de format. Exemple : titre_fichier.pdf. Plus
précisément, un format est un ensemble de règles formelles qui définissent comment
structurer, donner forme à quelque chose.

(Source : Xyoos)

Format et langage

Attention à la confusion entre format et langage informatique. Si le format est un ensemble de règles formelles, le langage est un format mis en œuvre par l’écriture. Les règles formelles sont traduites en règles d’écriture.
Exemple : On peut mettre un texte au format html et l’écrire en langage html. Mais tous les formats ne sont pas associés à un langage. Le format TEXT (.txt) existe ; toutefois, il n’y a pas de langage TEXT.

(Source : Arthur Perret, Cours sur le format texte)

Format et logiciel

Un logiciel est un ensemble de programmes informatiques couplés à une interface qui permet d’interagir facilement avec le logiciel. On attribue aux logiciels une licence d’utilisation qui peut être plus ou moins ouverte.
Un programme informatique est une suite d’instructions que la machine exécute. Il a deux caractéristiques :

  • des étapes : à chaque instruction il est possible de connaître l’instruction suivante.
  • une fin : la dernière instruction demande l’arrêt du programme.

Logiciel et format sont très liés. Le but du format est de structurer des informations avec des spécifications techniques pour que des machines, des programmes ou des logiciels puissent dialoguer.
De plus, certains logiciels sont créés pour lire un type de format. C’est le cas de Microsoft Word qui est programmé pour produire et ne lire que des fichiers au format .doc.
D’autres logiciels, plus ouverts, peuvent produire et/ou lire plusieurs types de format (par exemple, le logiciel VLC pour les formats audio et vidéo).

Typologie des formats

  • Format ouvert : Sa description est publique. Aucune disposition légale ne s’oppose à sa libre utilisation. Il est interopérable : possibilité d’utiliser plusieurs logiciels pour le créer, le lire, le modifier.Il peut être normalisé par un organisme de normalisation comme ISO, AFNOR, W3C.
  • Format fermé : Sa description est secrète ou des dispositions légales peuvent en restreindre l’utilisation. Il est souvent associé à un seul logiciel.
  • Format propriétaire : Ses spécifications techniques appartiennent à l’entreprise qui l’a créé. Il peut être ouvert ou fermé.
  • Format standard : Format dont la grande popularité le rend standard. Mais il n’est pas normalisé.
  • Format conteneur : Il contient et fait fonctionner ensemble plusieurs types de données. Exemple : données audio + données vidéo + données sous-titre dans un conteneur vidéo comme MP4 ou MOV.

Le format idéal

Il est :

  • Ouvert
  • Normalisé (si possible)
  • Facile à transformer (migration)
  • Indépendant (vis-à-vis d’autres formats, d’un matériel particulier, d’une entreprise)
  • Compatible (avec de nombreux logiciels et systèmes d’exploitation)
  • Largement diffusé

Le poids du fichier

Le bit est l’unité de mesure minimale en informatique. Il ne peut exprimer que deux valeurs (0 ou 1).
Il est notamment utilisé pour exprimer la vitesse de connexion à l’internet (bps).

L’octet (1 octet = 8 bits). C’est l’unité mesurant la taille ou le poids d’un fichier informatique. Sa mission : stocker un caractère (chiffre, lettre, symbole,…).
Unité de petite taille, plus souvent exprimée en Ko, Mo, Go.

Conversion des unités de mesures :

  • Kilooctet (Ko) = 1000 octets
  • Mégaoctet (Mo) = 1000 Ko
  • Gigaoctet (Go) = 1000 Mo
  • Teraoctet (To) = 1000 Go
  • Petaoctet (Po) = 1000 To
  • Exaoctet (Eo) = 1000 Po
  • Zettaoctet (Zo) = 1000 Eo
  • Yottaoctet (Yo) = 1000 Zo

Capacité de stockage moyenne des appareils :

  • ordinateur : de 500 Go à 4 To
  • clé USB : de 8 à 200 Go
  • disquette : 1,4 Mo

Poids moyen des types de fichier

  • fichier texte : 50 Ko
  • fichier audio : 4 Mo
  • fichier image : 6 Mo
  • fichier vidéo : 700 Mo

Quelques questions à se poser en matière de format

  • Quelles données vais-je utiliser pendant ma recherche ?
  • Quels formats de fichiers puis-je utiliser ?
  • Quels logiciels vais-je employer pour traiter/analyser mes données ?
  • Quels formats d’entrée ces logiciels acceptent-ils ?
  • Comment vais-je stocker mes données pendant la recherche ?
  • Sur quel appareil (disque dur, serveur de l’université, cloud, etc…) ?
  • Quelle est la capacité de stockage de cet appareil ?
  • Que vais-je faire de mes données à la fin de ma recherche ?
  • Comment vais-je les archiver ?
  • Sur quel support/entrepôt : personnel, institutionnel ?
  • Quels formats de fichier sont acceptés sur ces supports, ces entrepôts ?

Sources & ressources

FORMATS AUDIO, VIDÉO & IMAGES

Formats audio

Le critère de qualité audio est le débit à la seconde ou kbit/s.
Il se calcule en fonction de la résolution : 16 bits, 24 bits, 32 bits, etc. et de la fréquence d’échantillonnage : 44,1 kHz
Plus ces chiffres sont élévés, plus la qualité est bonne mais pas forcément perceptible par l’oreille humaine.
Comparaison avec la qualité CD : 16 bits, 44,1kHz.
Attention : l’enregistrement d’origine détermine la qualité de l’audio.

Codec : permet d’encoder (compression) et de décoder (décompression) des flux audio => Contenu. Exemples de codecs : Vorbis, FLAC, ALAC, AC3, OPUS, AAC, WMA, ATRAC.
Format conteneur : permet de stocker des flux audio (ou vidéo) => Boîte. Exemple de formats conteneurs : WAV/WAVE, AIFF, OGG, ASF, CAF, AU.

La combinaison d’un codec et d’un format conteneur donne un format audio.
Parfois codec et conteneur portent le même nom (FLAC).

  • Format sans compression :
  • PCM (= CD)
  • Formats de compression sans perte (lossless) – même qualité sonore que le CD :
  • FLAC (ouvert)
  • ALAC (Apple)
  • Shorten
  • WMA Lossless
  • ATRAC Advanced & lossless
  • Formats de compression avec perte (lossy), irréversibles :
  • MP3
  • AAC (Apple)
  • WMA
  • OGG VOBIS (ouvert)
  • OPUS
  • AA
  • ATRAC
  • AC-3

Ex : le format conteneur WAV peut contenir des flux MP3, etc. Le plus souvent, il contient de l’audio sans réduction de données (PCM).
Convertir un format MP3 en format WAV n’améliore pas la qualité sonore.

Formats vidéo

  • Codecs : permet d’encoder (compression) et de décoder (décompression) des flux audio et vidéo => contenu. Exemples de codecs : M-JPEG, AVCHD, DNXHD, H.264/H.265, OGG Theora, ProRes.
  • Formats Conteneur : permet de stocker des flux audio, vidéo, des sous-titres, des métadonnées => boîte. L’extension du fichier indique le conteneur (ex : .mov). Exemples de formats conteneurs : MP4, AVI, MOV, MXF, 3DP, 3G2, MTS/M2TS/TS Matroska.

La combinaison d’un codec et d’un format conteneur donne un format vidéo.
ex. : MP4 H.264 ou Mov ProRes.

Il existe deux types de formats de compression vidéo :

  • Formats de compression IntRA-trame
  • Compressent les images individuellement.
  • Souvent de meilleure qualité
  • Formats orientés production
  • => Codecs utilisés : M-JPEG, ProRes, DNxHD/DNxHR
  • Formats de compression intER-trame
  • Stockent certaines images entièrement et en compressent d’autres.
  • Donnent des fichiers plus petits
  • Formats orientés diffusion
  • => Codecs utilisés : H.262, H.264, H.265, OGG Theroa, MPEG-2

Formats images

Définition : une image numérique c’est une image acquise, créée, traitée ou stockée sous forme binaire.

  • acquise par des machines telles que : scanner, appareil photo, caméscope numérique
  • créée par des programmes informatiques
  • traitée par des outils informatiques (modifications de taille, couleur, ajout ou suppression d’éléments, de filtre).
  • stockée sur un support informatique (disque dur, clé USB, serveur, etc.)
  • L’image peut être numérisée ou nativement numérique.
  • Il y a deux types d’images numériques : les images matricielles et les images vectorielles.

Image matricielle.
Elle est composée d’une grille dont chaque case ou pixel a une couleur propre. Plus il y de pixels, plus la qualité est bonne.

  • Les + : haute définition des couleurs et de la luminosité, chaque pixel peut être retouché.
  • Les – : perte de qualité en cas d’écrasement ou d’étirement de l’image, la compression peut causer une perte de qualité, taille de fichier plus élevée, vectorisation difficile.
  • Les formats : TIFF, JPG, JPEG, PNG, BMP, MNG, TGA, OpenEXR, FITS

Image vectorielle. C’est une image numérique composée de formes géométriques individuelles, chacune définie par des attributs de couleur, taille, position.

  • Les + : possibilité d’écraser ou d’étirer l’image sans perte de qualité, compression sans perte, taille de fichier plus faible, possibilité de retouche sur-mesure, facile à convertir en image matricielle (rastérisation).
  • Les – : pas adaptée aux images complexes ou en haute définition, l’enregistrement nécessite une rastérisation.
  • Les formats : SVG, VML, SWF, AI, EPS, DXF, CDR, WMF, Silverlight.

Arrêt sur l’IIIF – International Image Interoperability Framework.

Il s’agit d’une communauté et d’un ensemble de spécifications techniques visant à créer un cadre technique d’interopérabilité pour la diffusion d’images haute résolution sur le Web.
Depuis plusieurs années, les bibliothèques numériques se multiplient. Elles mettent à disposition sur le Web une masse de plus en plus importante de reproductions (manuscrits, imprimés, cartes, documents d’archives, photographies, etc.). Toutefois, la création de ces entrepôts d’images s’est effectuée sans véritable coordination technique. Il en résulte que :

  • chaque entrepôts fonctionne en silo, il n’y a pas d’interopérabilité.
  • chaque institution a développé son propre visualiseur ce qui est coûteux à concevoir et à maintenir et rend chaque application unique.
  • l’utilisateur doit donc s’adapter à chaque application, à son environnement et son interface de consultation propre.

Face à ce constat, le IIIF entend favoriser l’interopérabilité des bibliothèques numériques, et ainsi enrichir et faciliter l’expérience utilisateur en terme de visualisation et de manipulation des images.
Exemples d’usages permis par le cadre technique d’IIIF :

  • Annoter une carte numérisée disponible sur un site web, mais à l’aide d’un outil d’annotation développé sur un autre site web.
  • Créer une collection d’images issues de plusieurs sources
  • Inspecter et comparer les mains de manuscrits issus de différents entrepôts numériques.

l’IIIF développe des API partagées. Elle les implémente dans des logiciels. Elle expose des contenus interopérables sur le web.
Il existe 4 API IIIF stables :

  • API Image. Elle spécifie une syntaxe qui s’applique à deux requête pour une même image : la requête de l’image elle-même (fichier image) ; la requête d’informations techniques sur l’image (fichier JSON)
  • API Presentation. Elle spécifie les informations nécessaires à la présentation d’un objet numérique dans une interface de visualisation. Son but est d’améliorer l’expérience utilisateur. Elle joint la structure et les métadonnées à un objet et définit comment elles apparaissent dans un visualiseur
  • API “content search”. Elle spécifie la manière dont se fait la recherche au sein du contenu textuel associé à un document numérique représenté selon les principe de l’API Presentation (dans la transcription ou l’OCR du texte par exemple).
  • API Authentification. Elle définit à quel endroit ou par qui les images peuvent être vues. Elle définit des scenarii d’interaction entre un client et des systèmes d’authentification.

LES FORMATS TEXTES

Le format texte ou texte brut ou plaintext

Un fichier au format texte (.txt) ne contient que des caractères textuels (par opposition aux pixels et aux sons).
C’est un méta-format utilisable pour créer des fichiers dans toutes sortes de formats plus spécifiques comme les formats html, markdown, xml, ou TeX.
Un fichier au format texte ne contient pas de mise en forme, ni de mise en page. On ne peut choisir ni la police de caractère, ni la taille, ni la couleur. On ne peut pas gérer les interlignes, les sauts de pages, les marges, etc.
Ce format peut servir à écrire du texte scientifique mais aussi des programmes informatiques.
Il fonctionne avec un type de logiciel, l’éditeur de texte (Notepad ++ ou TextEdit).
Un caractère peut être une lettre, un chiffre, un signe de ponctuation, un symbole, etc.

Arrêt sur l’encodage

Les caractères sont traduits/encodés en octets. L’éditeur de texte décode ces octets pour afficher les caractères correspondants. Cette encodage peut prendre plusieurs formes.
Le codage ASCII : le premier et le plus basique, établi à partir de l’anglais, il ne comprend que 128 caractères.
Il ne permet pas de coder les caractères accentués ni les autres alphabets et systèmes d’écritures.
Pour cela, on utilise le codage UTF-8 qui code tous les caractères Unicode (des milliers) et qui inclut le codage ASCII.
En ouvrant une page web, si on tombe sur ce genre de chose “caractères “, ça signifie qu’il y a un problème de codage. La page est encodée avec un type de codage et notre navigateur essaie de la décoder en suivant un autre type de codage.
Quand on utilise un éditeur de texte, privilégier l’UTF-8.
Bon à savoir : Comme l’ASCII est le plus largement partagé, quand on nomme un fichier, il faut éviter les espaces, les caractères spéciaux et accentués.

Le format texte enrichi

A l’inverse du texte brut, le format texte enrichi contient la mise en page et la mise en forme. Ce type de format s’obtient en utilisant un logiciel de traitement de texte, du type Word ou OpenOffice Writer (.doc, .odt, .docx). Ces types de formats ont été conçus pour une utilisation bureautique. Ils sont moins adaptés à l’écriture scientifique et de plus en plus critiqués par les chercheurs.

Les principales critiques :

  • conviennent peu à l’écriture scientifique
  • inadaptés à la communication sur le web
  • certains formats sont propriétaires (.doc.)
  • Ils sont plus lourds que le format TEXT (.txt)
  • Risque pour l’usager de confondre rendu graphique et structure du texte => la structure à un sens ; le niveau des titres témoigne du processus de raisonnement.

WYSIWYG : What you see is what you get. Logiciels dont l’interface donne à voir à l’écran le document tel qu’il sera publié. Les traitements de texte sont des WYSIWYG.

Arrêt sur le format PDF

Le PDF “Portable Document Format” est un format de diffusion. Il permet la lecture d’un fichier texte en préservant sa mise en page et sa mise en forme quel que soit le logiciel ou le système d’exploitation. Format normalisé, il est très utilisé pour la transmission et l’archivage des documents.
Le PDF peut être créé à partir d’un éditeur de texte ou d’un traitement de texte. Dans ce cas, il est nativement numérique. Il peut également être créé à partir de l’image numérisée d’un texte. Dans ce cas, il y a deux sortes de PDF :

  • Le PDF qui correspond à la simple image numérisée. Dans ce cas, il est impossible de sélectionner une partie du texte numérisé.
  • Le PDF dont l’image numérisée a reçu un traitement de reconnaissance de caractères (OCR). Autrement dit, on ajoute une couche de texte à l’image numérisée. Dans ce cas, il est possible de sélectionner un extrait du texte.

Plaidoyer en faveur du texte brut

  • Léger en termes de stockage
  • Format libre, utilisable avec des logiciels libres
  • Garantit une certaine pérennité
  • Interopérable
  • Adapté à la gestion des versions
  • Permet de se concentrer sur la structure du texte

SOURCES ET RESSOURCES

Généralités :

Les ressources institutionnelles françaises :

  • CINES : Centre informatique national de l’enseignement supérieur
    Plateforme d’archivage de l’enseignement supérieur. Il fournit un tableau des formats acceptés et un outil de vérification de l’éligibilité des fichiers à l’archivage.
    Le site,
    la page de l’outil FACILE.
  • Le rapport technique produit par la BnF sur les formats à privilégier dans une optique d’archivage et de pérennité :
    Caron (Bertrand), Formats de données pour la préservation à long terme : la politique de la BnF, Rapport technique, Paris, BnF, 2021.
    Site,
    document.
  • Rapport définissant 9 critères d’évaluation des formats dans une optique de préservation à long terme. Il présente aussi les politiques de plusieurs institutions en matière de formats (BnF, British Library, Library of Congress, etc.) :
    Caron (Bertrand), Humbert (Marion), Jolly (Anne-Flora), et al., Définir une politique de formats : les neuf critères essentiels, Rapport de recherche, Association Aristote, 2020.
    Lien
  • Référentiel général d’interopérabilité produit par le site numérique.gouv.fr donne des informations sur les formats permettant l’interopérabilité. Il a été officialisé par arrêté en avril 2016.
    Page dédiée,
    document.
  • Tableau produit par Doranum (réseau Urfist + Inist-CNRS) distinguant les formats ouverts et les formats fermés de tous les types de fichiers : audio, vidéo, image, texte, tableau, présentation, archivage, etc.
    Lien

Les ressources institutionnelles étrangères :

  • BanQ (Bibliothèque et archives nationales du Québec) a publié un guide de recommandation des formats à utiliser qui date de 2020.
    Lien
  • CECO : le Centre suisse de coordination pour l’archivage à long terme des documents électroniques décrit les différents types de formats et fournit des recommandations sur les formats à adopter.
    Lien
  • La présentation très complète et détaillée des différents formats de fichiers de la bibliothèque du Congrès.
    Lien
  • Et son guide des formats recommandés.
    Lien
  • OASIS, Organization for the Advancement of Structured Information Standards : institution centrée sur la normalisation des formats de fichiers.
    Lien
  • PRONOM : Ressource en ligne produite par les archives nationales du Royaume-Uni. Elle fournit un registre d’informations techniques sur les formats de fichier, les logiciels qui les lisent et les produisent. Possibilité de faire une recherche par format ou par logiciel.
    Lien

Sitographie

  • Arthur Perret, Cours sur le format texte. Lien
  • File-extensions : catalogue de toutes les extensions de fichiers existantes et leur description. Les extensions sont classées en plusieurs catégories. Pour chaque extentions, les logiciels permettant leur lecture, création, modification, etc. sont indiqués.
    Lien
  • Pin Format : groupe national de travail et de réflexion sur les formats de fichier affilié à l’association Aristote. Il réunit des institutions telles que le CINES, la BnF, l’INA et des ministères (Culture, Armée, Europe et Affaires étrangères).
    Lien
  • Le manuel de préservation numérique du groupe Pin Format qui définit les questions à se poser en matière de choix de format.
    Lien
  • Un wiki consacré aux formats de fichier.
    Lien
  • Xyoos

Format audio, vidéo et image :

  • Caron (Bertand), Formats de données pour la préservation à long terme : la politique de la BnF. [rapport technique],
    BnF, 2021, p. 29.
    Lien
  • Tardieu (Julien), Prise de son en SHS, Tutoriel MATE-SHS, 20 décembre 2018.
    Lien
  • Pour comprendre rapidement la différence entre signal analogique et signal numérique : Espace des Sciences, Interview de Michel Cabaret, France Bleu Armorique.
    Lien
  • Pour une initiation aux formats d’images, voir le site du Lycée Blaise Pascal de Clermont-Ferrand.
    Lien
  • Pour plus d’informations, consulter les ressources du module “formats de fichier – généralités”.
  • Pour plus d’information sur le IIIF voir la page documentation de Biblissima.
    Lien

Format texte:

  • Arthur Perret, Cours sur le format texte.
    Lien
  • Ensemble de cours sur l’écriture et la publication numérique en SHS de la Chaire de
    recherche du Canada sur les écritures numériques.
    Lien
  • Pour une approche plus détaillée de l’encodage, voir la présentation de Christian Queinnec.
    Lien
  • Pour une approche critique du format PDF, voir le billet d’Arthur Perret.
    Lien
  • BU de l’Université de Montréal, Vidéo de présentation des formats.
    Lien


Citer ce billet
Équipe EVEille (2023, 24 juin). Les formats de fichier. Eveille. Consulté le 19 juin 2024, à l’adresse https://doi.org/10.58079/omnn

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.