Automatische Konvertierung von redaktionellen Erfassungsvorlagen in Layout-Daten mit integrierten Konsistenz- und Validitätsprüfungen

Transkript

1 Hochschule Merseburg Fachbereich Informatik und Kommunikationssysteme Automatische Konvertierung von redaktionellen Erfassungsvorlagen in Layout-Daten mit integrierten Konsistenz- und Validitätsprüfungen Masterarbeit vorgelegt von Beate Langemann, M.A. Studiengang: Technische Redaktion und Wissenskommunikation (M-TRW 11) Erstbetreuer: Zweitbetreuer: Dr. Thomas Meinike Dipl.-Phys. Gerrit Imsieke Eingereicht am:

2 Inhaltsverzeichnis Abbildungsverzeichnis iv Abkürzungsverzeichnis v Einleitung 1 I Grundlagen 3 1 XML OOXML (Word) le-tex HUB-Format DocBook CSSa HUB IDML (InDesign) XML Catalogs XPath Baumstruktur Knotentypen Achsen Sequenzen Lokalisierungspfade Lokalisierungsschritte Prädikate Operatoren und bedingte/quantifizierende Ausdrücke Funktionen Schematron Geschichte Schematron-Datei Aufbau von Schematron-Regeln Variablen Fehlermeldungen Validierung SVRL i

3 Inhaltsverzeichnis 4 Reguläre Ausdrücke 41 5 XProc 43 II Automatische Konvertierung von Erfassungsvorlagen (DOCX zu IDML) 45 6 Projekt HRU Einführung und Zielsetzung 46 7 Ausgangssituation 49 8 le-tex transpect 53 9 Konvertierung von DOCX- in IDML-Dateien DOCX HUB-flach HUB-flach HUB-hierarchisiert HUB-hierarchisiert XHTML XHTML IDML Schematron-Prüfung Schematron-Prüfung im docx2idml-konverter XML-Formate für die Schematron-Prüfung Inhalt der Schematron-Regeln Aufbau der Schematron-Regeln Formulierung der Schematron-Regeln Abschließende Bemerkung 86 Anhang Literaturverzeichnis ii

4 Abbildungsverzeichnis 1.1 Dateistruktur eines OOXML-Dokuments (Beispiel) Datei [Content_Types].xml (Verweise auf Dateien im ZIP-Container) Inhalt einer document.xml-datei (Beispiel) Aufbau einer CSS-Anweisung Konvertierungsprozesse Flaches HUB-XML (Beispiel) Hierarchisiertes HUB-XML (Beispiel) Dateistruktur eines IDML-Dokuments (Beispiel) Datei designmap.xml (Verweise auf Dateien im IDML-ZIP-Archiv) Beispiel einer Story-Datei Baumstruktur eines XML-Dokuments Achsen in XPath Aufbau eines Lokalisierungspfades Handreichungen für den Unterricht (Übersicht) Ist-Zustand des Workflows für die HRU Soll-Zustand des Workflows für die HRU Designbaukasten für die Handreichungen für den Unterricht Excel-Datei mit Formatvorlagen für Lighthouse (Ausschnitt) Menüband der Word-Erfassungsvorlage für die Autoren in Microsoft Word Beispiel einer Formatvorlage der Word-Erfassungsvorlage für die Autoren Menüband einer neuen Word-Datei in Microsoft Word le-tex transpect Startseite le-tex transpect Upload le-tex transpect Upload mit ausgewählter Datei le-tex transpect Ergebnis le-tex transpect HTML-Report mit Fehlermeldungen Aufbau des docx2idml-konverters für Cornelsen (Überblick) Schema-/Schematron-Prüfungen im docx2idml-konverter für Cornelsen (Überblick) Projektstruktur des docx2idml-konverters für Cornelsen Shell-Aufruf des Konverters Konvertierung von DOCX- in IDML-Dateien (Überblick) iii

5 Abbildungsverzeichnis 9.6 Konvertierung von DOCX- in flache HUB-Dateien Konvertierung von flachen HUB- in hierachisierte HUB-Dateien Konvertierung von hierachisierten HUB- in XHTML-Dateien Konvertierung von XHTML- in IDML-Dateien Dateistruktur der Schematron-Dateien im docx2idml-konverter Schematron-Prüfung und HTML-Report (Überblick) im docx2idml-konverter Ausschnitt einer Word-Datei bei Lighthouse Auschnitt einer OOXML-Datei bei Lighthouse Auschnitt einer Datei mit flachem HUB-XML bei Lighthouse HTML-Report (Ausschnitt) Auflistung der Fehlermeldung HTML-Report (Ausschnitt) Fehlerkategorien HTML-Report (Ausschnitt) Fehlerstelle mit Fehlermeldung iv

6 Abkürzungsverzeichnis CSS CSSa HRU IDML INX MIME OOXML URI XHTML XML XPath XSLT XSL-FO SVRL Cascading Style Sheets CSS properties as attributes/css-eigenschaften als Attribute Handreichungen für den Unterricht InDesign Markup Language InDesign Interchange Multipurpose Internet Mail Extensions Office Open XML Uniform Resource Identifier Extensible HyperText Markup Language Extensible Markup Language XML Path Language Extensible Stylesheet Language Transformation Extensible Stylesheet Language Formatting Objects Schematron Validation Report Language v

7 Einleitung Automatische Konvertierungen spielen in der Herstellung von Dokumenten eine große Rolle. Verlage stehen oft vor der Aufgabe, dass sie Daten in einem Format (z. B. DOCX) erhalten, die weiterverarbeitet und aus einem anderen Format (z. B. InDesign) heraus gedruckt werden sollen. Dabei sollten die Dokumente nicht nur automatisch konvertiert, sondern auch geprüft werden. Ebenso müssten medienneutrale XML-Daten erzeugt werden. Zudem sollte für die Konvertierung und die Prüfung ein Tool zur Verfügung gestellt werden, welches auch von Redakteuren ohne XML-Kenntnisse genutzt werden kann. Für Workflows dieser Art hat das Leipziger Unternehmen le-tex publishing services GmbH das Open-Source-Framework le-tex transpect entwickelt. le-tex transpect arbeitet mit einem Konverter, der aus einzelnen Modulen kundenspezifisch angepasst werden kann und automatische Prüfroutinen integriert. Anhand des Workflows für die vom Cornelsen-Verlag herausgegebenen Handreichungen für den Unterricht wird in der vorliegenden Arbeit ein automatischer Konvertierungsprozess mit integrierten Konsistenz- und Validitätsprüfungen vorgestellt. Dabei werden eingehende DOCX-Dateien, die von den Autoren auf der Grundlage einer Word-Erfassungsdatei erstellt wurden, über das Zwischenformat HUB in IDML-Dateien konvertiert. Den Autoren stehen in der Word-Erfassungsvorlage nur eine begrenzte Auswahl an Formatvorlagen zur Verfügung, die vom Verlag festgelegt wurden. Automatische Schema- und Schematron-Prüfungen stellen die korrekte Verwendung der Formatvorlagen und damit die Datenqualität sicher. Die Aufgabe der vorliegenden Arbeit bestand zum einen in der Formulierung von Schematron-Regeln für die automatische Kohärenzprüfung. Die Schematron-Regeln wurden zur Prüfung der Handreichungen für den Unterricht entwickelt. Zum anderen bestand die Aufgabe in der Analyse des Konverters. Die Beschreibung des Konverters ist auch notwendig, um die in den Konverter integrierte Schematron-Prüfung nachvollziehen zu können. Anhand von Beispieldateien und einer Übersicht über die in der Word-Erfassungsvorlage erlaubten Formatvorlagen wurde ermittelt, an welchen Stellen Prüfbedarf besteht. Falsch oder nicht zugewiesene Formatvorlagen können beispielsweise mit Hilfe von Prüfregeln aufgespürt werden. Auf der Grundlage dieser Analyse wurden Schematron-Regeln entwickelt. Die vorliegende Arbeit gliedert sich in zwei Bereiche. Der erste Teil beschäftigt sich mit den Grundlagen, die für das Verständnis des zweiten Teils notwendig sind. Da die Konvertierung der Handreichungen für den Unterricht von DOCX-Dateien ausgeht, die über das HUB-Format in eine IDML-Datei konvertiert werden, werden im ersten Teil die XML-Formate OOXML, HUB und IDML vorgestellt (Kapitel 1). Kapitel 1 enthält ebenfalls einen Abschnitt zu XML Catalogs, da innerhalb des Konverters absolute Pfade mit Hilfe von Katalog-Dateien in relative Pfade umbenannt werden können. Die Dateien werden innerhalb des Konvertierungs- 1

8 Einleitung prozesses mit der Validierungssprache Schematron geprüft. Schematron nutzt die Pfadbeschreibungssprache XPath, in der reguläre Ausdrücke verwendet werden können. Daher werden die Grundlagen von XPath (Kapitel 2) und Schematron (Kapitel 3) vorgestellt. Kapitel 4 gibt einen kurzen Einblick in reguläre Ausdrücke. Das letzte Kapitel des ersten Teils (Kapitel 5) gibt einen kleinen Einblick in die Arbeisweise von XProc. Mit Hilfe von XProc-Pipelines können XML- Dateien nacheinander verarbeitet werden. Da der Konverter in Form von XProc-Pipelines organisiert ist, wird im Kapitel 5 das Prinzip einer XProc-Pipeline mit Input- und Output-Ports vorgestellt. Eine Einführung in XProc erfolgt dabei ebensowenig wie eine Einführung in reguläre Ausdrücke im Kapitel 4. Im zweiten Teil der Arbeit wird das Cornelsen-Projekt Handreichungen für den Unterricht vorgestellt (Kapitel 6), die Ausgangssituation des Projekts wird erläutert (Kapitel 7). Die Handreichungen für den Unterricht werden mit Hilfe von le-tex transpect konvertiert. Daher wird das Open-Source-Framework im Kapitel 8 vorgestellt. Das sich anschließende Kapitel 9 beschäftigt sich mit der Funktionsweise des Konverters und beschreibt den Konvertierungsprozess von DOCX- in IDML-Dateien, der speziell an die Handreichungen für den Unterricht angepasst wurde. Das letzte Kapitel (Kapitel 10) widmet sich den Schematron-Validierungen. Dabei wird zuerst beschrieben, wie die Schematron-Validierung in den Konverter integriert wird. Danach erfolgt ein kurzer Überlick über mögliche Inhalte für Schematron-Regeln, dem sich Überlegungen zum passenden XML-Format für die Schematron-Prüfung anschließen. Abschließend wird der Aufbau der Schematron-Regeln vorgestellt sowie ein Einblick in die Formulierung der Regeln gegeben. Der Arbeit ist eine CD beigelegt, die den Konverter einschließlich der Schematron-Regeln, die Word-Erfassungsvorlage, eine Übersicht über die Formatvorlagen sowie Beispieldokumente enthält. 2

9 I Grundlagen

10 1 XML Die Auszeichnungssprache XML kann in unterschiedlichen XML-Formaten umgesetzt sein. Einige dieser Formate werden in dem vorliegenden Kapitel vorgestellt. Dabei handelt es sich um die Formate OOXML, HUB sowie IDML. Außerdem beschäftigt sich dieses Kapitel mit den XML-Katalog-Dateien, mit deren Hilfe URIs ersetzt werden können. 1.1 OOXML (Word) Das XML-Format OOXML (Office Open XML-Format) wurde von Microsoft mit Office 2007 und Office für Mac 2008 eingeführt. 1 Seitdem wird jede Office-Datei als XML abgespeichert. Dafür wurden neue Dateiformate eingeführt. Beispielsweise lösten in Word die Dateiformate docx und docm 2 das bis dahin bestehende Format doc ab. Vorlagen werden nicht mehr als dot, sondern als dotx oder dotm 3 gespeichert. Mit Hilfe von OOXML können DOCX- Dokumente ohne Microsoft Word erstellt und bearbeitet werden. 4 Seit 2008 ist OOXML ein ISO-Standard 5. 6 Der Inhalt von Office-Dokumenten wird in jeder Office-Anwendung in einem eigenen XML- Vokabular gespeichert. In Word kommt dabei WordProcessingML 7 (auch WordML) zum Einsatz. WordProcessingML wurde mit MS Office 2003 eingeführt. In Office 2003 wird ein Word- Dokument mit Hilfe von WordML vollständig in XML abgebildet. In späteren Versionen wurde WordProcessingML weiterentwickelt und ist ein Teil von OOXML. 8 Der vorliegende Abschnitt beschränkt sich auf OOXML in Word, d. h. auf Dokumente im DOCX-Format. Formate anderer Microsoft-Anwendungen werden nicht berücksichtigt. Eine Datei im OOXML-Format ist eigentlich ein ZIP-Archiv, in dem mehrere Dateien zusammengefasst werden. Die OOXML-Datei wird als ZIP-Container bezeichnet. Die darin enthaltenen Dateien sind Dokumentbausteine bzw. Dokument-Parts. 9 Abbildung 1.1 zeigt eine Übersicht über die Dateistruktur innerhalb des ZIP-Containers einer DOCX-Datei ohne Kopf- und Fußzeilen sowie ohne Fußnoten Seit MS Office 2003 wird OOXML unterstützt. (Vgl. [38, S. 916]) Dokumente ohne Makros werden als docx und Dokumente mit Makros als docm gespeichert. Das Standardformat ist docx. (Vgl. [34, S. 40]) Vorlagen ohne Makros werden als dotxß, und Vorlagen mit Makros als dotm gespeichert. (Vgl. [38, S. 920]) Vgl. [34, S. 40] und [38, S. 920, 944] ISO/IEC 29500:2012 [26] [29]. Der Standard ist in vier Teile gegliedert und beschreibt OOXML umfassend. Vgl. [38, S. 925] Einen kleinen Einblick in WordProcessingML geben die Erläuterungen auf S. 6. Vgl. [38, S. 870, 876, 898] Vgl. [34, S. 728] 4

11 1 XML Abbildung 1.1 Dateistruktur eines OOXML-Dokuments (Beispiel) Der Ordner docprops enthält Metadaten des DOCX-Dokuments. Diese werden in zwei Dateien abgebildet: 10 app.xml In der Datei app.xml werden Eigenschaften wie die verwendete Software (z. B. Word), die Anzahl der Wörter und Seiten gespeichert. core.xml In der Datei core.xml werden beispielsweise der Titel, der Autor, das Erstellungsdatum und ähnliche Informationen gespeichert, die mit den Reitern Allgemein und Zusammenfassung des Menüpunktes Datei/Eigenschaften abrufbar sind. Im Ordner _rels befindet sich die Datei.rels. Diese definiert die Beziehungen zwischen den Dateien app.xml und core.xml des Ordners docprops und der Datei document.xml des Ordners word und beschreibt damit die grundlegenden Beziehungen innerhalb des ZIP-Containers. Daher ist die.rels-datei immer die erste Datei, die von Word gelesen wird, wenn eine DOCX-Datei in der Software von Microsoft geöffnet wird. Im word-ordner befindet sich ebenfalls ein _rels-ordner. In diesem ist die Datei 10 Vgl. [34, S. 733, 735] 5

12 1 XML document.xml.rels abgespeichert, die die Beziehungen zwischen den Dateien und Ordnern innerhalb des word-ordners beschreibt. 11 Die Datei [Content_Types].xml enthält Verweise zu den in den Ordnern word und docprops gespeicherten Dateien (vgl. nachfolgende Ausführungen). Die Dateien werden als Attribut-Wert PartName des Elements Override eingebunden (vgl. Abbildung 1.2). Zudem werden mit Hilfe des <Default>-Elements die Dateinamenerweiterungen definiert, die im ZIP-Archiv verwendet werden (z. B. JPEG oder XML). 12 Abbildung 1.2 Datei [Content_Types].xml (Verweise auf Dateien im ZIP-Container) Innerhalb des Ordners word befinden sich mindestens folgende Dateien 13 document.xml Die Datei document.xml enthält den Inhalt des Dokuments (vgl. Abbildung 1.3). Das Wurzelelement ist <w:document> 14. Die Attribute definieren die Namensräume. Innerhalb des <w:body>-elements befindet sich der Inhalt. Ein Text-Absatz wird beispielsweise vom Element <w:p> und deren Kindelement <w:r> umfasst. Der eigentliche Text ist dem Element <w:t> zugeordnet. Bilder werden ebenfalls in das Element <w:p> und deren Kindelement <w:r> eingeschlossen. Sie werden mit dem Element <w:pict> gesetzt. Nach den Elementen, die den Inhalt enthalten, werden innerhalb des Elements <w:sectpr> Einstellungen des Seitenlayouts beschrieben Vgl. [34, S , 738] 12 Vgl. [34, S. 733, ] 13 Weitere Dateien sind möglich. Wenn z. B. ein Dokument Fuß- bzw. Endnoten oder Kopf- und/oder Fußzeilen enthält, werden diese jeweils in einer eigenen Datei gespeichert. Beispielsweise befindet sich der Inhalt von Fußnoten in der Datei footnotes.xml. (Vgl. [38, S. 936]) 14 XML-Elemente der WordProcessingML werden durch das Namensraumpräfix w gekennzeichnet. 15 Vgl. [34, S. 742] 6

13 1 XML Abbildung 1.3 Inhalt einer document.xml-datei (Beispiel) fonttable.xml Die Datei fonttable.xml enthält Informationen zu den verwendeten Schriftarten. 16 settings.xml Die Datei settings.xml enthält allgemeine Dokumenteigenschaften wie beispielsweise den eingestellten Zoom für die Ansicht oder die Standardtabulatoren. 17 styles.xml Die Datei styles.xml enthält Definitionen zu den vorhandenen Formatvorlagen. 18 websettings.xml Die Datei websettings.xml enthält die Eintellungen für Webseitendokumente Vgl. [38, S. 936] 17 Vgl. [38, S. 936] und [34, S. 734] 18 Vgl. [38, S. 936] 19 Vgl. [38, S. 936] 7

14 1 XML Zusätzlich zu diesen Dateien enthält der word-ordner die drei Ordner 20 _rels In dem Ordner _rels befindet sich mindestens die Datei document.xml.rels. Diese beschreibt die Beziehungen zwischen den Dokumenten innerhalb des word-ordners. Der Ordner kann weitere Dateien enthalten, wenn beispielsweise die DOCX-Datei in der Kopfzeile eine Grafik einbindet. In diesem Fall ist eine.rels-datei, die die Beziehung zwischen der Grafik und der Kopfzeile beschreibt, vorhanden. media Alle in der DOCX-Datei verwendeten Bilder, Grafiken und Medienobjekte werden im Ordner media gespeichert. theme Der Ordner theme enthält die Designeinstellungen der DOCX-Datei, d. h. dass Informationen zu Schriftarten, Farben, grafischen Effekten u. a. gespeichert werden. 1.2 le-tex HUB-Format Das HUB-Format wurde von dem Unternehmen le-tex publishing services GmbH 21 entwickelt. HUB wird vor allem als Zwischenschritt von Konvertierungsprozessen verwendet. Die Grundlagen des HUB-Formats bilden DocBook 5.1 und CSSa DocBook DocBook ist ein XML-Standard, der besonders für Bücher und komplexe Dokumente innerhalb und außerhalb der Technischen Dokumentation geeignet ist. DocBook existiert seit 1991 und war vorerst ausschließlich als SGML-DTD verfügbar. Für die aktuelle DocBook-Version 5.1 exisiteren sowohl eine DTD als auch ein XML- sowie ein Relax NG-Schema. Die beiden Schemata enthalten u. a. Schematron-Regeln zur kontextabhängigen Dokumentenprüfung (vgl. Kapitel 3). 23 Der Namensraum von DocBook ist 24 Für DocBook sind eine Vielzahl von Stylesheets für unterschiedliche Zielformate vorhanden. Die Stylesheets sind ebenso wie die DTD und die Schemata an individuelle Bedürfnisse anpassbar. Beispielsweise können zur DTD oder zum Schema Elemente oder Attribute mit Hilfe einer Anspassungsdatei hinzugefügt oder gelöscht werden. Templates in Stylesheets lassen sich ebenfalls mit Hilfe einer Anpassungsdatei verändern Vgl. [34, S. 734] 21 Das in Leipzig ansässige Unternehmen le-tex publishing services GmbH wurde im Jahre 1999 gegründet. le-tex ist als Full-Service-Dienstleister im Bereich Content Engineering tätig. (Vgl. [36]) 22 Vgl. [23, S. 2] und [24, S. 68] 23 Vgl. [43, S ] 24 Vgl. [43, S. 115] 25 Vgl. [43, S. 1, 235, , ] 8

15 1 XML Metainformationen werden in DocBook 5 unter dem Element <info> aufgeführt. 26 Die hierarchisch höchste Ebene in DocBook ist das Element <set> dies entspricht einer Buchreihe. <set> kann mehrere Bücher enthalten. Bücher werden als <book> gesetzt. Enthält eine Datei ein einziges Buch, so ist <book> das Wurzelelement. Bei Artikeln ist <article> das Wurzelelement. Bücher und Artikel unterscheiden sich vor allem in der Verfügbarkeit der Elemente. So kann das Element chapter in einem Buch, aber nicht in einem Artikel verwendet werden. 27 Eine Buchdatei sieht beispielsweise so aus: 28 1 <book version="5.0" 2 xmlns=" 3 xml:lang="de"> 4 <info> 5 <title>buchtitel</title> 6 </info> 7 <chapter> 8 <title>überschrift 1</title> 9 <para>text</para> 10 <para>text 11 <phrase role="a">text</phrase> 12 </para> 13 <section> 14 <title role="b">überschrift 2</title> 15 <para>text</para> 16 <sidebar> 17 <para role="c">text in einer Randspalte</para> 18 <sidebar> 19 <mediaobject> 20 <imageobject> 21 <imagedata fileref="dateiname"/> 22 </imageobject> 23 <caption> 24 <para>bildlegende</para> 25 </caption> 26 </mediaobject> </section> </chapter> </book> 26 Vgl. [43, S. 127] 27 Vgl. [43, S , 133] 28 Vgl. [43, S. 130,] und [48, S. 35] 9

16 1 XML Überschriften werden immer im Element <title> des entsprechenden <chapter>- oder <section>-elements 29 angegeben. Absätze werden von einem <para>-element umgeben. Mit dem Element <sidebar> kann Text außerhalb des Fließtextes in einer Randspalte gesetzt werden. Bilder werden innerhalb von <mediaobject> und <imageobject> mit dem Element <imagedata> eingebunden. Innerhalb von <mediaobject> können mehrere <imageobject>-elemente vorkommen. 30 Das Element <phrase> kann ein oder mehrere Wörter näher spezifizieren. Es hat keine besondere Bedeutung, sondern erhält seine Bedeutung durch die ihm zugewiesenen Attribute. 31 Die Elemente können durch zumeist optionale Attribute ergänzt werden. Ein Attribut, wie z. B. role ist in der Regel nicht an ein bestimmtes Element gebunden, sondern kann im Zusammenhang mit unterschiedlichen Attributen vorkommen. Das Attribut role kann von individuell erzeugten Programmen oder Stylesheets verarbeitet werden. 32 Die vorgestellten Elemente sind nur ein kleiner Auszug aus der Liste der DocBook-Elemente CSSa CSSa ist eine Entwicklung des Unternehmens le-tex publishing services GmbH und wurde erstmals in diesem Jahr auf der Konferenz XML Prague 33 vorgestellt. Mit Hilfe von CSSa können CSS-Elemente als XML-Attribute dargestellt werden das a in CSSa steht für Attribut(e)/attribute(s). Layoutinformationen können so in XML integriert und auch geprüft werden, z. B. mit Schematron. 34 The main purpose of CSSa is to convey layout information in XML conversion workflows. CSSa serves a common, application-agnostic vocabulary for expressing large subsets of the layout information found in document formats such as Office Open XML (MS Word), IDML (Adobe InDesign), or EPUB. 35 CSSa verwendet das Vokabular von CSS Ein Relax NG-Schema ist vorhanden 37, eine Spezifikation existiert jedoch noch nicht. Vererbbarkeit von Eigenschaften wie in CSS oder aufeinander basierende Formate wie in InDesign werden nicht unterstützt. Als Namensraum wurde vorgeschlagen. CSSa-Anweisungen dürfen anders als CSS-Anweisungen nur intern und nicht in einer externen Datei beschrieben und 29 Überschriften können nicht nur mit dem Element <section>, sondern auch mit den Elementen <sec1> bis sect5 angegeben werden. In diesem Fall sind nur fünf Überschriftenebenen möglich. (Vgl. [48, S. 384]) 30 Vgl. [43, S. 152, ] und [48, S , 237, 289, 317, 384, 397] 31 Vgl. [48, S ] 32 Vgl. [43, S. 122, 124] 33 XML Prague ist eine jährlich in Prag stattfindene Konferenz zum Thema XML. (Vgl. [51]) 34 Vgl. [24, S ], [25] und [18] 35 [24, S. 63] 36 CSS 3 besteht aus der Spezifikation von CSS 2.1 ( [6]) sowie eigenständigen Modulen, die Teile von CSS 2.1 ergänzen oder ersetzen eine Auflistung der Module bietet die Website [5]. (Vgl. [15]) 37 Das Relax NG-Schema ist unter [10] abrufbar. 10

17 1 XML verwendet werden. Eine Besonderheit von CSSa sind benannte CSS-Anweisungen, mit denen z. B. jede Formatvorlage eines Textverarbeitungs- oder Layoutprogramms als CSSa darstellbar ist. 38 A named rule in CSSa is the declaration part of a CSS rule, plus a name. A CSSa rule with the name foo corresponds to a CSS selector.foo in HTML. 39 Bei einem Konvertierungsprozess, z. B. von Word nach InDesign, kann jede Word-Formatvorlage durch eine benannte CSS-Anweisung beschrieben werden. Dadurch können Informationen über Formatvorlagen in XML eingebunden und auch geprüft werden. 40 In einer CSSa-Anweisung werden die Eigenschaften einer CSS-Anweisung als Attribute umgesetzt. 41 Eine CSS-Anweisung besteht aus einem Selektor sowie einer oder mehrerer Deklarationen (vgl. Abbildung 1.4). Dabei beschreibt der Selektor, welches Element formatiert werden soll und die Deklaration, wie das Element formatiert werden soll. Die Deklaration besteht aus der Eigenschaft sowie dem Wert. In Abbildung 1.4 wird die Klasse 42 fliesstext mit der Farbe (color = Eigenschaft) schwarz (black = Wert) und der Textausrichtung (text-align) zentriert (center) definiert. 43.fliesstext } {{ } Selektor { color: } {{ } Eigenschaft black; } {{ } Wert } {{ } Deklaration text-align: } {{ } Eigenschaft center; } } {{ } Wert } {{ } Deklaration Abbildung 1.4 Aufbau einer CSS-Anweisung Die Eigenschaften einer CSS-Anweisung werden in CSSa als Attribute des Elements <css:rule> umgesetzt. Die Werte der Attribute sind die Werte der CSS-Deklaration. Das Beispiel in Abbildung 1.4 wird in CSSa folgendermaßen dargestellt: 1 <css:rule name="fliesstext" 2 css:color="black" 3 css:text-align="center"/> Die Attribute css:color und css:text-align entsprechen den CSS-Eigenschaften color und text-align. Das Attribut name gibt den Namen der CSSa-Anweisung an. 38 Vgl. [24, S ] und [25] 39 [24, S. 64, Fußnote 5] 40 Vgl. [24, S. 63] 41 Vgl. [24, S. 61, 63] 42 Die Definition von Klassen beginnt immer mit einem Punkt. Mit Hilfe von Klassen können Elemente, z. B. Absätze, innerhalb eines Dokuments individuell, d. h. mit unterschiedlichen Layout-Eigenschaften, ausgezeichnet werden. Einem Absatz können mehrere Klassen zugewiesen werden. (Vgl. [35, S ]) 43 Vgl. [35, S. 35] 11

18 1 XML Zusätzlich zu den Eigenschaften sind weitere Attribute möglich. Innerhalb von Konvertierungsprozessen kann beispielsweise mit dem Attribut native-name die Formatvorlage des Ursprungsdokuments angegeben werden. Ebenso wie Klassen in CSS und HTML können CSSa-Anweisungen zentral und/oder lokal deklariert werden. Zentrale Anweisungen können auch in CSSa lokal überschrieben werden. 44 Zentrale CSSa-Anweisungen gelten für das gesamte Dokument und stehen am Beginn einer XML-Datei. Sie werden als Kindelemente des Elements <css:rules> angegeben. In einer HUB-Datei ist <css:rules> ein Kindelement des Elements <info> und befindet sich somit im Bereich der Metainformationen. Eine zentrale CSSa-Anweisung sieht beispielsweise folgendermaßen aus: 1 <css:rules> 2 <css:rule name="cmue2" 3 layout-type="para" 4 native-name="cm_ue2" 5 css:font-family="linotypesyntaxcv" 6 css:font-size="8.5pt"/> 7 <css:rule name="fettkursiv" 8 layout-type="inline" 9 native-name="fett_kursiv" 10 css:font-weight="bold" 11 css:font-style="italic"/> 12 </css:rules> Die im Metabereich deklarierten CSSa-Anweisungen werden im Text dem entsprechenden Element mit dem role-attribut zugewiesen. Dabei entspricht der Wert von role dem Wert des Attributs name der Deklaration. Ist dem Attribut layout-type der Wert para zugeordnet, kann die CSSa-Anweisung nur einem Absatz-Element zugewiesen werden. CSSa- Anweisungen mit dem Attribut layout-type="inline" können nur als Zeichenformatierung eingesetzt werden <para role="cmue2">text 2 <phrase role="fettkursiv">text</phrase> 3 Text</para> Bei lokalen CSSa-Anweisungen werden dem Element die CSS-Eigenschaften als Attribute zugeordnet. Eine lokale CSSa-Anweisung sieht beispielsweise so aus: 1 <para name="cmue2" 2 layout-type="para" native-name="cm_ue2" 3 css:font-family="linotypesyntaxcv" 4 css:font-size="8.5pt">text 44 Vgl. [24, S. 63] und [25] 45 Weitere mögliche Werte von layout-type sind table für Tabellenformate, cell für Zellenformate und object für Objektformate (Vgl. [18]) 12

19 1 XML 5 <phrase name="fettkursiv" 6 layout-type="inline" 7 native-name="fett_kursiv" 8 css:font-weight="bold" 9 css:font-style="italic">text</phrase> 10 Text</para> Zentrale CSSa-Anweisungen können lokal überschreiben werden 1 <css:rules> 2 <css:rule name="cmue2" 3 layout-type="para" 4 native-name="cm_ue2" 5 css:font-family="linotypesyntaxcv" 6 css:font-size="8.5pt"/> 7 </css:rules> <para role="cmue2" css:font-size="10pt">text</para> In dem Beispiel wird die Schriftgröße, die in der zentralen CSSa-Anweisung CMUE2 auf 8.5pt gesetzt wurde, lokal mit 10pt überschrieben HUB Der Name HUB-Format leitet sich vom englischen Wort hub (= Nabe ) ab. HUB wurde gewählt, weil das Format in Konvertierungsprozessen die Funktion einer Nabe einnimmt (vgl. Abbildung 1.5 (rechts)). Mit Hilfe von HUB als Zwischenformat können Konvertierungsprozesse optimiert werden, da nicht von jedem Format in ein anderes Format konvertiert wird, sondern alles über das HUB-Format läuft. Dadurch wird die Zahl der möglichen Konvertierungen und damit der Zeit- und Kostenaufwand verringert (vgl. Abbildung 1.5). 46 Abbildung 1.5 Konvertierungsprozesse (Bildquelle: [25]). Links: Konvertierung ohne Zwischenformat. Rechts: Konvertierung mit HUB als Zwischenformat 46 Vgl. [18] und [25] 13

20 1 XML Das HUB-Format ermöglicht das Einbinden von Layoutinformationen mit Hilfe von CSSa. Als Zwischenschritt in Konvertierungsprozessen, z. B. bei der Konvertierung von DOCX- in IDML-Dateien, können so alle Formatvorlagen in einem XML-Format dargestellt werden. Dadurch ist eine Prüfung der Layoutinformationen möglich, z. B. durch Schematron-Regeln. 47 Zentrale CSSa-Anweisungen können Deklarationen zu Tabulatoren enthalten: 1 <css:rule name="dklsdialog" 2 layout-type="para" 3 native-name="dk_ls_dialog" 4 css:hyphens="manual" 5 css:line-height="12pt" 6 css:font-family="linotypesyntaxcv" 7 css:color="#000000" 8 xml:lang="en-us"> 9 <tabs> 10 <tab horizontal-position="17pt"/> 11 </tabs> 12 </css:rule> In diesem Fall kann ein <para>-element mit dem Atttribute role="dklsdialog" über ein Kindelement <tab> verfügen, z. B.: 1 <para role="dklsdialog"> 2 L:<tab xml:space="preserve"> </tab> </para> In dem Beispiel wird nach L: ein horizontaler Tabulator von 17pt gesetzt. Dieser wurde in der zentralen CSSa-Anweisung festgelegt. HUB-XML besteht somit aus folgenden Bestandteilen: (flaches) DocBook, CSSa, Tabs, Zeilenumbrüche. 48 Für HUB existiert ein Relax NG-Schema 49. Die Idee für das HUB-Format gibt es bereits seit 2008, die praktische Umsetzung wurde jedoch erst später in Angriff genommen. Das Relax NG-Schema wurde im letzten Jahr veröffentlicht. 50 Das Wurzelelement einer HUB-Datei ist <hub>. Das erste Kindelement von <hub> ist das Element <info>, welches Metainformationen enthält und über die Kindelemente <css: rules> und <keywordset> (optional) verfügt. Die Kindelemente <keyword> von <keywordset> stellen z. B. Informationen zum Ausgangsdokument (Format und Pfad) zur Verfügung. Die Layouteigenschaften eines Dokuments werden im Element <css:rules> 47 Vgl. [23, S. 2] 48 Vgl. [24, S. 68] und [25] 49 Das Schema ist unter [21] verfügbar. 50 Vgl. [19] und [18] 14

21 1 XML beschrieben. Die <css:rule>-elemente enthalten die zentralen CSSa-Anweisungen. Im Anschluss an das <info>-element folgt der Inhaltsteil der HUB-Datei. 51 Allen Elementen im Inhaltsteil einer HUB-Datei kann ein Attribut srcpath zugewiesen werden. Als Wert von srcpath wird bei Konvertierungsprozessen der Pfad angegeben, der zu dem Element in der Ursprungsdatei führt. Bei der Konvertierung einer DOCX-Datei führt der Pfad z. B. zu dem entsprehende Element innerhalb der Datei document.xml. Mit Hilfe des srcpath-attributs können Schematron-Fehlermeldungen in einem HTML-Report (vgl. Abbildung 8.5) an den entsprechenden Stellen angezeigt werden. 52 Das HUB-Format liegt in zwei Ausführungen vor: 53 flach (flat) hierarchisiert (evolved) Eine XML-Datei, die flaches HUB enthält (vgl. Abbildung 1.6), besteht im Inhaltsteil ausschließlich aus Absätzen, d. h. dass keine Hierarchisierung vorhanden ist. Überschriften werden beispielsweise ebenfalls als Absatz, d. h. als <para>-element ausgezeichnet. Die <para>- Elemente werden mit Hilfe von role-attributen spezifiziert. Auszeichnungen innerhalb von Abbildung 1.6 Flaches HUB-XML (Beispiel) 51 Vgl. [24, S ] 52 Vgl. [21] 53 Vgl. [23, S. 2] 15

22 1 XML Absätzen erfolgen mit dem <phrase>-element, welches ebenfalls mit Hilfe des role- Attributs spezifiziert wird. 54 Hierarchisiertes HUB (vgl. Abbildung 1.7) verfügt gegenüber dem flachen HUB über eine Gliederung der XML-Elemente. Dabei werden u. a. die unterschiedlichen Ebenen der Überschriften und Listen ausgezeichnet, Abbildungen und Tabellen werden mit ihren Legenden zu einem Element gruppiert und vieles mehr. Hierarchisiertes HUB ist im Wesentlichen Doc- Book Abbildung 1.7 Hierarchisiertes HUB-XML (Beispiel) 1.3 IDML (InDesign) Ein weiteres XML-Format ist IDML. IDML (InDesign Markup Language) ist ein XML-Format. Mit IDML kann sowohl die Struktur als auch der Inhalt eines InDesign-Dokuments vollständig als XML dargestellt werden. IDML- und somit auch InDesign-Dokumente können damit 54 Vgl. [23, S. 2] 55 [23, S. 2] 56 Vgl. [23, S. 2] 16

23 1 XML auch außerhalb von InDesign erzeugt werden. Das IDML-Format wird in der IDML Language Specification beschrieben. 57 Das Dateiformat IDML wurde als Nachfolger des INX-Formats 58 mit InDesign CS 4 eingeführt. Seit InDesign CS 5 wird IDML u. a. dazu verwendet, um die Abwärtskompatibilität zur jeweils vorangehenden InDesign-Version zu gewährleisten. Dateien, die in InDesign CS 5 als IDML gespeichert werden, können auch in InDesign CS 4 geöffnet werden. 59 Beim IDML-Format handelt es sich um ein ZIP-Archiv, welches mehrere Dokumente enthält. 60 Abbildung 1.8 zeigt eine Übersicht über die Dateistruktur innerhalb eines IDML-ZIP-Archivs. Die zugrundeliegende IDML-Datei besteht aus fünf Seiten sowie zwei Mustervorlagen. Die Datei mimetype enthält Angaben zum MIME-Typ der Dateien des IDML-Packages. 61 In der Datei designmap.xml werden alle Verweise auf die Dateien, die im ZIP-Archiv vorhanden sind, aufgeführt. Die Dateien werden jeweils über ein Element mit dem Namensraum-Präfix idpkg eingebunden (vgl. Abbildung 1.9). Die Reihenfolge, in der die Dateien in der Datei designmal.xml aufgelistet sind, gibt an, in welcher Reihenfolge die Dateien eingebunden werden. In der Regel sind Verweise auf MasterSpread-, Spread- und Story-Dateien mehr als einmal vorhanden. 62 Im Ordner MasterSpreads werden die MasterSpread-Dateien gespeichert. Diese enthalten Informationen zum Aufbau und Layout (Text- und Grafikrahmen) der Musterdruckbögen 63 des Dokuments. Auf der Mustervorlage platzierte Grafiken werden ebenfalls in einer MasterSpread-Datei abgebildet. Text, der sich auf Musterdruckbögen befindet, wird dagegen nicht in einer MasterSpread-, sondern in einer Story-Datei (vgl. S. 19) gespeichert. Auf die entsprechende Story-Datei wird in der MasterSpread-Datei verwiesen. Jeder Musterdruckbogen wird in einer Datei abgebildet. Da in der INDD-Datei des Beispiels in Abbildung 1.8 die Mustervorlagen A und B angelegt wurden, befinden sich im Ordner MasterSpreads zwei MasterSpread-Dateien. 64 Der Ordner Spreads enthält in der Regel mehrere Spread-Dateien. Im Gegensatz zu den MasterSpread-Dateien, die sich auf die Musterdruckbögen beziehen, enthalten die Spread-Dateien Informationen zum Aufbau und Layout (Text- und Grafikrahmen) der Druck- 57 Vgl. [1, S. 12] 58 Mit Hilfe des INX-Formats (INX = InDesign Interchange) kann eine InDesign-Datei in einer früheren InDesign- Version bearbeitet werden. Werden beispielsweise Daten in InDesign CS 4 als INX gespeichert, können sie ebenfalls in InDesign CS 3 aber nicht in InDesign CS 2 verwendet werden. Eine INDD-Datei kann dagegen nicht in einer anderen InDesign-Version geöffnet werden. Mit Einführung von IDML wurde das mit InDesign CS 2 eingeführte INX-Format aufgegeben. (Vgl. [1, S. 12, 18]) 59 Vgl. [1, S. 12] 60 Vgl. [1, S. 16] 61 Vgl. [1, S. 20] 62 Vgl. [1, S. 21] und [40, S. 2] 63 Elemente, die auf einer Mustervorlage angelegt werden, erscheinen auf allen Seiten, auf denen die Mustervorlage angewandt wird. Wiederkehrende Elemente wie beispielsweise Kolumnentitel oder Seitenzahlen sollten auf einer Mustervorlage angelegt werden. Ein Musterdruckbogen ist in der Regel eine Doppelseite. 64 Vgl. [1, S. 21] und [40, S. 10] 17

24 1 XML Abbildung 1.8 Dateistruktur eines IDML-Dokuments (Beispiel) bögen 65 des Dokuments. Ebenso wie in den MasterSpread-Dateien werden platzierte Grafiken in den Spread-Dateien abgebildet, Text dagegen in den Story-Dateien. Auch in den Spread-Dateien wird auf die entsprechenden Story-Dateien verwiesen. Die fünf Seiten des Beispieldokuments in Abbildung 1.8 sind auf drei Druckbögen verteilt. Daher befinden sich im Spreads-Ordner drei Spread-Dateien Ein Druckbogen besteht bei einem doppelseitigen Dokument aus zwei Seiten. Im Buch handelt es sich dabei um eine linke und eine rechte Seite. Die erste Seite eines Buches ist in der Regel eine rechte Seite. Daher ist der erste Druckbogen einseitig. 66 Vgl. [1, S. 22] und [40, S. 11] 18

25 1 XML Abbildung 1.9 Datei designmap.xml (Verweise auf Dateien im IDML-ZIP-Archiv) Text, der auf Druckbögen und Musterdruckbögen enthalten ist, wird im Ordner Stories in den Story-Dateien gespeichert. Informationen zu den angewandten Absatz- und Zeichenformaten werden ebenfalls in den Story-Dateien abgelegt. Die Formate werden dabei jedoch nicht definiert. 67 Stattdessen wird der Name des verwendeten Formats erwähnt. Jede Story- Datei enthält den Text eines Textrahmens. In der Beispieldatei in Abbildung 1.8 befinden sich im Ordner Stories sieben Story-Dateien. Die entsprechende INDD-Datei verfügt über Text in drei Textrahmen auf den Druckbögen sowie über Text in vier Textrahmen auf den Musterdruckbögen. 68 Abbildung 1.10 zeigt eine Story-Datei. Das Wurzelelement ist <idpkg:story>. Der Text, der im INDD-Dokument in einem Textrahmen steht, wird im Element <Content> wiedergegeben. Das verwendete Zeichenformat wird im Attribut AppliedCharacterStyle des Elternelements <CharacterStyleRange> angegeben im Beispiel wird kein Zeichenformat verwendet. Informationen über Absatzformate finden sich im Attribut AppliedParagraphStyle des Elemtents <ParagraphStyleRange>, welches das 67 Die verwendeten Absatz- und Zeichenformate werden in der Datei Styles im Ordner Resources gespeichert. (Vgl. S. 20) 68 Vgl. [1, S. 22] und [40, S. 12] 19

26 1 XML Abbildung 1.10 Beispiel einer Story-Datei Elternelement von <CharacterStyleRange> ist. Für den Text in Abbildung 1.10 wurde das Absatzformat Text definiert. Der Ordner Resources enthält vier Dateien: 69 Graphic.xml Die Datei Graphic.xml enthält Elemente zu allen im Dokument verwendeten Druckfarben, Farben, Farbfeldern, Verläufen, Mischdruckfarben, Mischdruckfarbengruppen, Farbtönen und Konturenstilen. Fonts.xml Die Datei Fonts.xml enthält die im Dokument verwendeten Schriftarten. Styles.xml Die Datei Styles.xml enthält alle Absatz-, Zeichen-, Objekt-, Zellen-, Tabellen- und Inhaltsverzeichnisformate, die in dem Dokument verwendet werden. Preferences.xml Die Datei Preferences.xml enthält die Voreinstellungen des Dokuments. Im Ordner XML können sich folgende Dateien befinden: 70 BackingStory.xml Die Datei BackingStory.xml enthält nicht platzierte XML-Elemente (z. B. nicht platzierte Text- und Grafikelemente). Tags.xml Die Datei Tags.xml enthält Definitionen zu den in InDesign verwendeten XML-Tags. Mapping.xml Die Datei Mapping.xml enthält die Zuweisungen von Formaten und Tags. 69 Vgl. [1, S. 21] und [40, S. 4 7] 70 Vgl. [1, S ] und [40, S. 8 9] 20

27 1 XML Im Ordner META-INF befindet sich mindestens eine Datei die Datei container.xml. Diese enthält einen Verweis auf die Datei designmap.xml, die das Grundgerüst der IDML- Datei abbildet. Neben der Datei container.xml kann der Ordner META-INF weitere Dateien entalten. Im Beispiel in Abbildung 1.8 wurde beim Export nach IDML beispielsweise die Datei metadata erstellt. Darin sind u. a. Informationen zur verwendeten InDesign-Version, zum Speicherort und zur Speicherzeit enthalten XML Catalogs Mit Hilfe von XML Catalogs können externe Referenzen in XML-Dokumenten ersetzt werden. XML Catalogs ist seit 2005 ein OASIS 72 -Standard und liegt in der Version V1.1 vor. 73 Die Nutzung von XML Catalogs ist beispielsweise sinnvoll, wenn in XML-Dokumenten auf eine öffentliche Document Type Definition (DTD) verwiesen wird, wie dies bei XHTML- Dokumenten der Fall ist: 1 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN" 2 " Ein Ersetzen der URI ermöglicht ein Parsen des Dokuments, ohne dass eine Netzwerkverbindung bestehen muss. 74 Bei der Verwendung von URIs kann es ebenfalls sinnvoll sein, diese zu ersetzen. So können beispielsweise absolute Pfade durch relative Pfade ersetzt werden, was nützlich ist, wenn mehrere Mitarbeiter von unterschiedlichen Standpunkten mit Dokumenten arbeiten. Dies kann der Fall sein, wenn eine Versionskontrolle verwendet wird und Mitarbeiter die Dokumente in unterschiedlichen Dateiordnern auschecken. Insgesamt können XML-Kataloge verwendet werden, um in XML-Dokumenten zwei Arten von externen Referenzen zu ersetzen: Ersetzen von System Identifiers, z. B. Verweise auf öffentliche oder private DTDs Ersetzen von URIs Für jede Art gibt es im XML Catalogs-Standard ein anderes Element, da zwar jeder System Identifier eine URI ist, doch nicht jede URI ein System Identifier. 75 XML Catalogs werden in der Regel in einer Datei mit dem Namen catalog.xml gespeichert. Sie werden beim Parsen von XML-Dokumenten geladen und verarbeitet. Dabei durchsucht der Katalog-Prozessor die XML-Dokumente nach URIs, die im Katalog genannt sind 71 Vgl. [1, S. 23] und [40, S. 3] 72 OASIS = Organization for the Advancement of Structured Information Standards ( oasis-open.org/ [47]), OASIS ist eine gemeinnützige Organisation, die sich mit der Entwicklung und Schaffung von Normen für XML befasst [4, S. 1111]. Bekannte OASIS-Standards sind DocBook und DITA. (Vgl. [39]) 73 Vgl. [47] 74 Vgl. [41] und [47] 75 Vgl. [47] 21

28 1 XML und ersetzt werden sollen. Wird in einem Dokument eine entsprechende URI gefunden, wird diese ersetzt als Output ausgegeben. 76 Das Wurzelelement eines XML Catalogs ist catalog: 1 <catalog xmlns="urn:oasis:names:tc:entity:xmlns:xml:catalog"> </catalog> Der Namensraum wird im Attribut xmlns angegeben. 77 Neben dem Wurzelelement sind im OASIS-Standard zwölf weitere Elemente 78 definiert, von denen an dieser Stelle nur einige 79 vorgestellt werden. 80 Das Element <rewritesystem> ersetzt den Anfang eines System Identifiers, z. B. den Verweis auf eine öffentliche DTD: 1 <rewritesystem 2 systemidstartstring="string" 3 rewriteprefix="uri-reference"/> Die URI, die ersetzt werden soll, wird im Attribut systemidstartstring angegeben. Diese wird durch die URI ersetzt, die im Attribut rewriteprefix genannt ist. Wird eine URI durch einen relativen Pfad ersetzt, muss der gesamte folgende Pfad angegeben werden. 81 Mit dem Element <rewriteuri> kann der Anfang einer URI ersetzt werden, sofern die URI kein System Identifier ist. Der Aufbau von <rewriteuri> entspricht dem Aufbau von <rewritesystem>: 1 <rewriteuri 2 uristartstring="string" 3 rewriteprefix="uri-reference"/> Das Attribut uristartstring enthält die URI, die ersetzt werden soll. Diese wird im Attribut rewriteprefix angegeben. 82 Mit dem Element <nextcatalog> können weitere Katalog-Dateien eingebunden werden. Dabei gibt das Attribut catalog die URI der eingebundenen Katalog-Datei an: 1 <nextcatalog ctalog="uri-reference"/> Das Element <nextcatalog> kann mehrfach verwendet werden. Die eingebundenen Katalog-Dateien werden nacheinander verarbeitet und zwar nachdem alle Elemente der aktuellen Katalog-Datei verarbeitet wurden Vgl. [47] 77 Vgl. [47] 78 Im OASIS-Standard sind folgende Elemente definiert: group, public, system, rewritesystem, systemsuffix, delegatepublic, delegatesystem, rewriteuri, delegateuri, uri, urisuffix und nextcatalog. 79 Es werden diejeinigen Elemente erläutert, die in den Katalog-Dateien des in Kapitel 9 beschriebenen Konverters verwendet werden. 80 Vgl. [47] 81 Vgl. [47] 82 Vgl. [47] 83 Vgl. [47] 22

29 2 XPath XPath (XML Path Language) ist eine Pfadbeschreibungssprache, mit der die Knoten in einem XML-Dokument beschrieben werden können. XPath ist eine W3C-Spezifikation und Teil der Sprachfamilie XSL. XPath 2.0 ist eine Teilmenge von XQuery und wird beispielsweise von XSLT und Schematron zur Adressierung und Verarbeitung von Knoten in einem XML-Dokument verwendet. Bei XSLT stehen XPath- Ausdrücke innerhalb der Attribute match und select, bei Schematron (vgl. Kapitel 3) innerhalb der Attribute context, test und select. Die erste Version von XPath (XPath ) wurde 1999 vom W3C entwickelt. Seit 2007 steht XPath zur Verfügung. XPath 2.0 ist wesentlich umfangreicher als XPath 1.0 und verfügt über neue Funktionen, Operatoren, Datentypen und die Möglichkeit, Schleifen sowie Bedingungen zu formulieren. Eine wesentliche Neuerung ist, dass das Ergebnis in XPath 2.0 immer eine geordnete Sequenz darstellt, wohingegen XPath-Ausdrücke in XPath 1.0 ungeordnete Nodesets ausgeben. 87 XPath liegt seit Anfang 2013 als Candidate Recommendation vor. Neu eingeführt wurden u. a. neue Funktionen und die Namensräume math und map. 89 In den folgenden Kapiteln und Abschnitten wird XPath synonym zu XPath 2.0 verwendet. 2.1 Baumstruktur Für die Beschreibung eines XML-Dokuments wird oft die Metapher eines Baumes verwendet. 90 Dabei entspricht das Wurzelelement eines XML-Dokuments der Wurzel eines Baumes, die Knoten den Zweigen und die Knoten am Ende eines Zweiges den Blättern. In Abbildung 2.1 ist der Wurzelelementknoten (braun) das Wurzelelement, die Elementknoten (orange) sind die Zweige und die Textknoten (grün) sind die Blätter. Oberhalb des Wurzelelementknotens liegt der Wurzel- bzw. Dokumentknoten (grau), der nicht dem Wurzelelement entspricht XQuery 1.0 ist ebenfalls eine vom W3C entwickelte Abfragesprache ( [3]). Sie ist umfangreicher als XPath, da neben XPath-Ausdrücken auch an SQL angelehnte Elemente verwendet werden können [7] 86 [2] 87 Vgl. [4, S ] 88 [42] 89 Vgl. [37] 90 Vgl. [4, S ] 91 Vgl. [4, S. 256] 23

30 2 XPath Abbildung 2.1 Baumstruktur eines XML-Dokuments 2.2 Knotentypen XPath 2.0 unterscheidet sechs Knotentypen: 92 Dokumentknoten (document-node()) Elementknoten (element()) Attributknoten (attribute()) Textknoten (text()) Kommentarknoten (comment()) Verarbeitungsanweisungsknoten (PI-Knoten) (processing-instruction()) Der Namensraumknoten gilt seit XPath 2.0 als veraltet. Um die Abwärtskompatibilität zu XPath 1.0 zu gewährleisten, kann er jedoch weiter verwendet werden. 93 Zwischen den einzelnen Knoten besteht sofern diese auf dem Dokumentbaum direkt miteinander verbunden sind eine Eltern-Kind-Beziehung. Eine Ausnahme bildet der Attributknoten. Attributknoten haben zwar das zugehörige Element als Eltern-Element, sind allerdings kein Kindknoten eines Elements. 94 Bei der Verarbeitung des XML-Dokuments durchläuft der Prozessor die Knoten des Dokumentbaumes in einer bestimmten Reihenfolge, der Dokumentreihenfolge. Ausgehend vom Wurzelelementknoten werden zuerst die Kinder und Kindeskinder des aktuellen Knotens abgearbeitet, bevor der nächste vom Wurzelelementknoten ausgehende Knoten angesteuert wird. 95 Abbildung 2.1 stellt die Dokumentreihenfolge anhand der Ziffern von 1 9 dar. 92 Vgl. [20, S ]. Einige Autoren kommen auf sieben Knotentypen, da sie den Namensraumknoten mitzählen, z. B. Bongers [4, S. 58]. 93 Vgl. [2] und [4, S. 289] 94 Vgl. [4, S , 60] 95 Vgl. [45, S. 186] 24

31 2 XPath 2.3 Achsen Die Knoten eines XML-Dokuments sind über unterschiedliche Achsen ereichbar. Die Achsen beschreiben die Bewegungsrichtungen in der Baumstruktur. Ausgehend vom Kontextknoten werden vorwärts- und rückwärtsgerichtete Achsen unterschieden. Vorwärtsgerichtete Achsen durchlaufen das XML-Dokument in Dokumentreihenfolge. Als vorwärts gerichtet gelten die Achsen self, child, descendant, descendant-or-self, following, following-sibling, attribute und namespace. Rückwärtsgerichtete Achsen durchlaufen das XML-Dokument entgegengesetzt zur Dokumentreihenfolge. Als rückwärts gerichtet gelten die Achsen parent, ancestor, ancestor-orself, preceding und preceding-sibling. 96 XPath unterstützt inklusive der Namensachse 13 Achsen. Einige Achsen verfügen über eine abgekürzte Schreibweise: 97 self (Abkürzung:.) enthält den aktuellen Kontextknoten (Abbildung 2.2 (rot)) child (Abkürzung: der Achsenbezeichner (siehe S. 28) wird weggelassen) enthält die Kindknoten des Kontextknotens (Abbildung 2.2 (grün)) descendant enthält die Nachkommen, d. h. Kindknoten und deren Kindknoten des Kontextknotens (Abbildung 2.2 (dunkelgelb)) descendant-or-self (Abkürzung: // 98 ) enthält die descendant-achse und den Kontextknoten following enthält die Knoten, die in der Dokumentreihenfolge dem Kontextknoten folgen, mit Ausnahme der Nachkommen des Kontextknotens (Abbildung 2.2 (rosa)) following-sibling enthält die folgenden Geschwister des Kontextknotens (Abbildung 2.2 (blau)) parent (Abkürzung:..) enthält den Elternknoten des Kontextknotens (Abbildung 2.2 (dunkelgrau)) ancestor enthält die Vorfahren des Kontextknotens (Abbildung 2.2 (hellgelb)) ancestor-or-self enthält die ancestor-achse und den Kontextknoten preceding enthält die Knoten, die in der Dokumentreihenfolge vor dem Kontextknoten stehen, mit Ausnahme der Vorfahren (Abbildung 2.2 (hellgrün)) 96 Vgl. [4, S ] 97 Vgl. [4, S ] 98 Die abgekürzte Schreibweise kann nur zusammen mit dem folgenden Knotentest (siehe S. 28) verwendet werden. (Vgl. [4, S. 296]) 25