06.07.2016 | mainzed | Lunch Lectures

Markup in geisteswissenschaftlichen Forschungs- und Publikations-Kontexten

am Beispiel der Extensible Markup Language (XML)

Max Grüntgens (Akademie Mainz) | Dominik Kasper (Akademie Mainz)
www.digitale-akademie.de | @digicademy | digicademy
Released unter CC BY 4.0 (Max Grüntgens, Dominik Kasper und Torsten Schrade; Digitale Akademie)

Gliederung

Vorstellung [>]
Grundlagen [>]
- Auszeichnungssprachen [>]
- Austauschformate [>]
- Extensible Markup Language (XML) [>]
Praxis [>]
- Beispielmodellierung (Verhörprotokoll) [>]
- Diskussion [>]
- Résumé [>]
Ausblick [>]
- Schnittstellen, Nachnutzung und Lizenzierung [>]
- Beispielhafte Projekte [>]
- Further Reading [>]

01

Vorstellung

Digitale Akademie der Akademie der Wissenschaften und der Literatur

Beratung der Akademie zu allen Aspekten von Digitalisierungsvorhaben
Konzeption, Gestaltung und Realisierung geisteswissenschaftlicher Forschungsapplikationen und virtueller Forschungsumgebungen mittels informationswissenschaftlich-informatischer Verfahren
Projektbegleitung bei der Umsetzung digitaler Komponenten zusammen mit Partnern aus Wissenschaft und Wirtschaft

02

Grundlagen

Eine Auszeichnungssprache …

… trennt Inhalt und Struktur.
… trennt einzelne strukturelle Ebenen.
… trennt einzelne bedeutungstragende Ebenen.
… ermöglicht verschiedene Ebenen von Meta-Daten.
… ermöglicht maschinelle Weiterverarbeitung.
… benutzt spezifische Schlüsselwörter und Delimiter.

⇒ implizite Information explizit machen!

Anwendungsgebiete von Auszeichnungssprachen sind …

… Webseiten ⇒ Hypertext Markup Language (HTML)
… Textverarbeitung ⇒ MS-Word- & OpenOffice-XML
… Datenstrukturierung ⇒ Extensible Markup Language (XML)
… eBooks ⇒ EPUB3 (HTML + XML)
… Vektorgraphiken ⇒ Scalable Vector Graphics (SVG-XML)
… Semantic Web ⇒ Resource Description Framework (RDF-XML)
… Geodaten ⇒ Keyhole Markup Language (KML-XML)

Austauschformate …

… dienen dem Austausch von Daten und Information zwischen heterogenen Systemen.
… sind häufig weniger komplex struktiert oder bieten “nur” einen Auszug der Daten an.
… basieren häufig auf XML. Weitere verbreitete Formate sind JSON und YAML.
… werden vorwiegend im Bereich von Apps und Webservices eingesetzt.
… werden meist im Zusammenspiel mit offenen Schnittstellen eingesetzt und ermöglichen eine Daten-Selbstbedienung.

Auszeichnungssprachen …

… sind daher stets auch in ihrer Funktion als Austauschformat zu betrachten. Dieses Credo gilt nicht nur für offensichtlich interdisziplinär ausgerichtete Datenproduzenten, sondern ebenso für traditionell “introdisziplinäre” Projekte.

Da nie die gesamte Bandbreite möglicher Nachnutzungsszenarien innerhalb des Daten produzierenden Projektes antizipiert werden kann, ist auf eine möglichst standardisierte und offene Bereitstellungsform hinzuarbeiten.

Extensible Markup Language (XML)

XML trennt Inhalt und Struktur sowie verschiedene Ebenen von Semantik und Metadaten durch Delimiter und Schlüsselworte voneinander.

Vokabular und Syntax von XML sind anpassbar und erweiterbar. Mit Schema-Sprachen lässt sich ein Regelwerk für projekteigene XML-Dateien erstellen.

Wohlgeformtheit und Validität

Wenn das XML-Dokument den allgemeinen Syntax-Regeln gehorcht, spricht man von “Wohlgeformtheit”. Ist das Dokument zusätzlich konform zu einem Schema, spricht man von “Validität”.

Durch die Ansetzung eines Schema-Regelwerks lassen sich XML-Dokumente sehr einfach in konsistenter Form erstellen, da jederzeit ein Feedback zur Regelhaftigkeit des Dokumentes zurückgegeben wird. Viele Text-Editoren greifen zudem auf das zurgundeliegende Schema zurück, um dem Benutzer die im Auszeichnungs-Kontext angebrachten Schlüsselworte per Knopfdruck anzubieten.

Maschinelle Verarbeitung

Die Daten konsistent strukturierter XML-Dokumente können sehr leicht mithilfe von Abfrage- und Transformations-Sprachen durchsucht, akkumuliert und bspw. in Ausgabeformate überführt werden.

Auf der Grundlage konsistenter Datenhaltung können also Register und Indices akkumuliert werde. Zudem lassen sich Druckvorstufen für Verlage oder HTML-Ausgaben im Rahmen dynamischer Webseiten produzieren.

Delimiter sind:

Spitze Klammern (“Krokodilsklammern”) und Schrägstrich
Anführungszeichen
Kaufmanns-Und und Semikolon

Bei den Schlüsselworten unterscheidet man zwischen:

Elementen: <element>

<letter>
    <sender>Max Mustermann</sender>
    <recipient>Mina Musterfrau</recipient>
</letter>

Attribute: <element attribut="attributwert">

<letter identifier="xyz123">
    <sender identifier="m0001">Max Mustermann</sender>
    <recipient identifier="f0001">Mina Musterfrau</recipient>
</letter>

Namespace-Präfixe: <präfix:element>

<root xmlns:prj="http://url/to/namespace/prj/">
    <letter>
        <sender identifier="m0001">Max Mustermann</sender>
        <prj:letter>Blackletter Script</prj:letter>
    </letter>
<root>

Best Practice

Als grundlegende Best Practice der Datenhaltung mit XML gilt, Daten wie die Abschnitte eines Quellentextes oder konstituierende Attribute einer Person als Elemente zu behandeln.

Meta-Daten wie die Identifikationsnummern von Abschnitten des Quellentextes oder Verweise auf Identifikatoren von Normdateien sollten als Attribut annotiert werden.

03

Praxis

Beispielmodellierung (Verhörprotokoll)

Teilen Sie den Quellentext in für Sie sinnvolle strukturelle und/oder bedeutungstragende Einheiten eine.

Kreieren Sie eigene Elemente und Attribute zur Auszeichnung der Quelle.

Diskussion

Wo lag Ihr Fokus beim Auszeichnen der Quelle?

Wie hoch schätzen Sie die Überschneidung des benutzten Vokabulars zwischen Fachkollegen ein?

Résumé

04

Ausblick

Schnittstellen, Nachnutzung und Lizenzierung

Forschungsdaten werden nach der Auszeichnung über maschinenlesbare Kommunikations-Schnittstellen (vgl. REST) zugänglich gemacht. Die Nutzung der Daten durch Dritte erfolgt hierbei “in Selbstbedienung”. Erst eine offene Lizenzierung von Forschungsdaten ermöglicht daher in diesem Sinne eine rechtssichere Nachnutzung und Bearbeitung.

Ohne eine offene Lizenzierung ist die digitale Aufbereitung in strukturierter und maschinenlesbarer Form sinnlos, da die inhärenten Potentiale ungenutzt bleiben. Eine klare Form der Lizenzierung bieten die sogenannten Creative Commons-Lizenzen.

Beispielhafte Projekte

correspSearch

Verzeichnisse von Briefeditionen durchsuchen

Der correspSearch-Webservice (CS) aggregiert und wertet Dateien im “Correspondence Metadata Interchange”-Format (CMI) aus.

Schnittstelle

Mittels der correspSearch-API können automatisierte Abfragen durchgeführt und die Ergebnisse in eigene Applikationen integriert werden. Die Abfrageergebnisse werden durch CS als TEI-XML-Datei im CMI-Format ausgegeben.

Zur Webseite!

EpiDat

Datenbank zur jüdischen Grabsteinepigraphik

Die Datenbank zur jüdischen Grabsteinepigraphik epidat dient der Sammlung, Aufarbeitung und Publikation epigraphischer Bestände. Zurzeit sind 160 digitale Editionen mit 32.245 Grabinschriften (66.667 Bilddateien) online einsehbar. Die epigraphischen Daten stehen in verschiedenen Formaten zur Nachnutzung zur Verfügung.