Les différents types de moissonneurs

Les différents moissonneurs

Aujourd’hui, data.gouv.fr peut moissonner les plateformes ou formats suivants :

• DCAT (GeoNetwork, OpenDataSoft, etc.)

• CKAN

• DKAN, une variante du moissonneur CKAN

DCAT

DCAT

DCAT est un vocabulaire RDF pour décrire des jeux de données. La Commission européenne a publié son extension de DCAT, appelée DCAT-AP.

Spécificités techniques

Ce moissonneur attend l’URL d’un catalogue DCAT (dcat:Catalog).

Plusieurs formats sont supportés et découvrables à travers la négociation de contenu :

• RDF XML

• JSON-LD

• Turtle

• N3

• NT

• Trig

La pagination est supportée via l’ontologie Hydra (ainsi que l’ancienne version).

Correspondance des champs du modèle

Jeu de données

La notion équivalente au jeu de données sur data.gouv.fr (Dataset) est un noeud de type dcat:Dataset en RDF.

	DATA.GOUV.FR	RDF	NOTES
Titre	title	dct:title
Acronyme	acronym	skos:altLabel
Description	description	dct:description + dct:abstract	Éventuellement HTML transformé en Markdown. dct:description est à privilégier
Mots-clés	tags	dcat:keyword + dcat:theme	Les RdfResource ne sont pas supportées pour le champ dcat:theme. dcat:keyword est à privilégier
Licence	license	dct:license et dct:right depuis dcat:distributions	Détection des licences
Couverture spatiale	spatial	DCT.spatial	Uniquement les couverture géométriques sont supportées pour l'instant. Soit un Polygon en tant que littéral WKT (exemple), soit un GeoJSON directement (datatype application/vnd.geo+json).
Couverture temporelle	temporal_coverage	dct:temporal	Séparé par / dans le cas de dates de début et de fin, ex: 2011-01-01/2011-12-31
Fréquence de mise à jour	frequency	dct:accrualPeriodicity	Dublin Core Frequency ou un équivalent au plus proche des Fréquences Européennes

Autres métadonnées

Certaines propriétés additionnelles sont conservées dans l’attribut harvest par soucis de traçabilité. Les informations de date sont sauvegardées dans ces métadonnées.

	DATA.GOUV.FR HARVEST	RDF	NOTES
Identifiant distant	remote_id	dct:identifier	Conservé aussi sous dct:identifier
URI	uri	ID du noeud	URIRef
URL de consultation	remote_url	dcat:landingPage ou l’identifier RDF s’il s’agit d’une URI
Date de création	created_at	dct.issued
Date de modification	modified_at	dct.modified

Ressource

La notion équivalente à la ressource sur data.gouv.fr (Resource) est un noeud de type dcat:Distribution en RDF.

	DATA.GOUV.FR	RDF	NOTES
Titre	title	dct:title	Propriété facultative, un nom est généré sinon
Description	description	dct:description	Éventuellement HTML transformé en Markdown
URL	url	dcat:downloadURL et dcat:accessURL	Priorité à dcat:downloadURL
Taille	filesize	dcat:byteSize
Type MIME	mime	dcat:mediaType
Format	format	dct:format
Somme de contrôle	checksum	spdx:checksum (spdx:algorithm + spdx:checksumValue)

Autres métadonnées

Certaines propriétés sont conservées dans l’attribut harvest par souci de traçabilité :

	DATA.GOUV.FR RESOURCE HARVEST	RDF	NOTES
Identifiant distant	dct:identifier	dct:identifier
URI	uri	dct:identifier	Si dct:identifier est un URIRef
Date de création	created_at	dct.issued
Date de modification	modified_at	dct.modified

Logiciels supportés

La plupart des logiciels exposant du DCAT (v3 à date) devraient être compatibles a minima avec le moissonneur DCAT de data.gouv.fr. Ci-dessous quelques exemples de logiciels supportés.

GeoNetwork

Si vous avez une instance de Geonetwork, vous pouvez publier sur data.gouv.fr.

Une documentation détaillée est précisée sur la page du moissonnage des données géographiques.

OpenDataSoft

Opendatasoft est un service en PaaS permettant de mettre en œuvre ce qu’on appelle un datastore et le portail de données associé.

Le moissonneur utilise l'export au format DCAT de chaque portail OpenDataSoft pour récupérer les métadonnées.

Spécifications techniques : Ce moissonneur attend l’URL publique d'export DCAT de votre portail Opendatasoft. Ce sera par exemple https://data.ma-compagnie.com/api/explore/v2.1/catalog/exports/dcat/. Il est possible (et souvent nécessaire) de renseigner dans l'URL les filtres des jeux de données cibles à moissonner (afin par exemple de moissonner les jeux de données du producteur X avec le mot clé Y). Vous trouverez plus d'information sur la mise en place d'un moissonneur DCAT pour un portail OpenDataSoft sur la documentation dédiée d'OpenDataSoft.

Attention: OpenDataSoft utilise le slug (la portion identifiant le jeu de données dans les URLs) comme identifiant technique. L’outil laisse la possibilité de changer ce slug ce qui pose un vrai problème de pérennité des identifiants. Ayez donc à l’esprit que ce changement d’identifiant créera des doublons au moissonnage.

Isogeo

Les portails Isogeo exposent du DCAT et sont donc moissonnables par data.gouv.fr.

Cette documentation officielle explique en détail la mise en place d’un moissonneur DCAT pour un portail Isogeo.

Namespaces utilisés

Par souci de lisibilité, les namespaces suivants sont déclarés :

• dcat ⇨ http://www.w3.org/ns/dcat#

• dct ⇨ http://purl.org/dc/terms/

• foaf ⇨ http://xmlns.com/foaf/0.1/

• hydra ⇨ http://www.w3.org/ns/hydra/core#

• rdfs ⇨ http://www.w3.org/2000/01/rdf-schema#

• scv ⇨ http://purl.org/NET/scovo#

• skos ⇨ http://www.w3.org/2004/02/skos/core#

• vcard ⇨ http://www.w3.org/2006/vcard/ns#

• xsd ⇨ http://www.w3.org/2001/XMLSchema#

• freq ⇨ http://purl.org/cld/freq/

Contribuer

Ce moissonneur fait partie du coeur de udata, son code est disponible sur github. Vous pouvez donc soumettre des améliorations ou signaler des anomalies.

CKAN

CKAN

CKAN est un logiciel libre permettant de mettre en oeuvre des portails de données.

Le moissonneur utilise l’API de CKAN pour récupérer les métadonnées.

Spécifications techniques

Ce moissonneur attend l’URL racine de l’instance CKAN et non du portail (dans le cas où CKAN est couplé à Drupal par exemple).

Comme le moissonneur utilise l’API de CKAN, il nécessite que celle-ci soit accessible.

Ce moissonneur n’est pas compatible avec les changements de modèles qui peuvent être effectués par certains plugins. Les champs d’un jeu de données doivent rester les mêmes, et le format de leur contenu aussi.

Les champs additionnels du modèle sont ignorés.

Correspondance des champs du modèle

Jeu de données

La notion équivalente au jeu de données sur data.gouv.fr (Dataset) est le Package dans CKAN.

	DATA.GOUV.FR	CKAN	NOTES
Slug	slug	name	Création uniquement, si disponible
Titre	title	title
Acronyme	acronym	❌
Description	description	notes
Mots-clés	tags	tags.name
Date de création	created_at	metadata_created
Date de mise à jour	last_modified	metadata_modified
Licence	license	license_id et license_title	deviné
Couverture spatiale	spatial	extras.spatial et extras.spatial-test	deviné
Couverture temporelle	temporal_coverage	extras.temporal_start et extras.temporal_end
Fréquence de mise à jour	frequency	extras.frequency	Dublin Core Frequency

Autres métadonnées

Certaines propriétés additionnelles sont conservées dans l’attribut harvest par soucis de traçabilité. Les informations de date sont sauvegardées dans ces métadonnées.

	DATA.GOUV.FR HARVEST	CKAN	NOTES
Identifiant distant	remote_id	id
Slug	ckan_name	name	Car slug peut déjà être pris
URL de consultation	remote_url	url	Conservé dans ckan:source si URL invalide

Tous les attributs extras de CKAN qui ne font pas l’objet d’un traitement particulier sont aussi conservés dans l’attribut extras.

Ressource

La notion équivalente à la ressource sur data.gouv.fr (Resource) est aussi la Resource dans CKAN.

	DATA.GOUV.FR	CKAN	NOTES
Identifiant	id	id	Un UUID valide
Titre	title	name
Description	description	description
URL	url	url
Type	filetype	resource_type	api ou remote
Type MIME	mime	mimetype
Format	format	format
Date de création	harvest.created_at	created
Date de mise à jour	harvest.modified_at	last_modified

Filtrage

La filtrage donne la possibilité d’inclure ou d’exclure un sous-ensemble de jeux de données du moissonnage.

Lorsqu’un ou plusieurs filtres sont déclarés, seuls les jeux de données remplissant toutes les conditions (ET) seront traités.

Portail multiproducteur : restriction à une organisation

Exemple de restriction à une seule organisation

Exclusion de mots-clés

Exemple d'exclusion de mots-clés

Combinaisons multiples

Exemple de combinaison de filtres

Contribuer

Le moissonneur CKAN est publié sur github dans le plugin udata-ckan. Vous pouvez donc soumettre des améliorations ou signaler des anomalies.

Métadonnées communes

Les jeux de données moissonnés possèdent les attributs suivants dans leur champ extras pour la traçabilité :

ATTRIBUT	CONTENU
harvest:domain	Nom de domaine moissonné
harvest:source_id	Identifiant technique du moissonneur
harvest:remote_id	Identifiant distant du jeu de données
harvest:last_update	Date du dernier moissonnage

Détection des licences par le moissonnage

Lors du moissonnage, la liste de référence de data.gouv.fr, disponible ici au format json, est utilisée pour détecter la licence du jeu de données distant.

Cette détection utilise les attributs suivants :

• id

• title

• alternate_titles

• url

• alternate_urls

Le meilleur moyen d’assurer une compatibilité parfaite est d’utiliser l’id sur le flux distant lorsque c’est possible.