Vergleich von Buch-Schemata unter Berücksichtigung des automatischen Layouts wissenschaftlicher Bücher

Transkript

1 Vergleich von Buch-Schemata unter Berücksichtigung des automatischen Layouts wissenschaftlicher Bücher überarbeitete Version DIPLOMARBEIT Hochschule für Technik, Wirtschaft und Kultur Leipzig (FH) Fakultät Medien Studiengang Verlagsherstellung Vorgelegt von: Andrea Heidrich, geboren am in Leipzig Betreut von: Andreas-Martin Selignow Leipzig, 28. Februar 2010

2 Bibliografischer Nachweis Heidrich, Andrea: Vergleich von Buch-Schemata unter Berücksichtigung des automatischen Layouts wissenschaftlicher Bücher. DIPLOMARBEIT: Hochschule für Technik, Wirtschaft und Kultur Leipzig (FH) Fakultät Medien, Studiengang Verlagsherstellung, Seiten, 23 Abbildungen, 18 Tabellen, 85 Quellenangaben, 2 Anlagen, 1 Datenträger. Autorreferat Die vorliegende Arbeit untersucht exemplarisch die vier DTD-Schemata ISO 12083, DocBook, TEI und das NCBI Book Tag Set. Dazu werden Kriterien für die Auswahl eines Schemas für das Layout wissenschaftlicher Bücher entwickelt. Zielgruppe dieser Arbeit sind diejenigen, die sich erstmalig mit der Problematik auseinander setzen, welche DTD für ihr wissenschaftliches Buch geeignet ist und demnach kaum Vorkenntnisse auf diesem Gebiet besitzen. Ziel ist es, dem Anwender einen schnellen Einstieg in die Strukturen der Schemata zu bieten sowie einen zusammenfassenden Überblick zu geben. Des Weiteren wird anhand eines geisteswissenschaftlichen und eines medizinischen Fachbuches getestet, inwiefern sich welches Schema am Besten für die Abbildung des Layouts eignet. Dabei wird ebenso darauf eingegangen, wie InDesign mit XML-Daten und DTDs umgeht und wie Absatz- und Zeichenformate mit den Elementen der DTD verknüpft werden können. Abschließend erfolgt ein Vorschlag für die Benennung von Absatz- und Zeichenformatvorlagen für den automatischen Satz.

3 3 Inhaltsverzeichnis Einleitung 9 1. Problemstellung 9 2. Zielsetzung Vorgehensweise 10 I. Begriffe und Definitionen Auszeichnungssprachen SGML XML Überblick über die Schemasprachen Grammatikbasierte Schemasprachen DTD W3C XML-Schema Relax NG Regelbasierte Schemasprachen ISO Schematron Zusammenfassung Allgemeines zu den Strukturelementen von DTDs Namensräume Elementdeklarationen Inhaltsmodelle Häufigkeitsindikatoren Inhaltstypen Attributdeklarationen Datentypen Standardwerte Entities Globale, interne Entities Globale, externe Entitäten Interne Parameter-Entities Externe Parameter-Entities Geparste und ungeparste Entities Notationen 25 II. Darstellung und Analyse der DTD-Schemata Vergleichskriterien Allgemeine Kriterien DTD bezogene Kriterien DTD-XML bezogene Kriterien ISO Allgemeines Aufbau und Struktur Analyse anhand der Kriterien Allgemeine Kriterien DTD bezogene Kriterien DTD-XML bezogene Kriterien Beispiel: XML-Auszeichnung 35

4 Inhaltsverzeichnis 4 3. DocBook Allgemeines Aufbau und Struktur Analyse der DTD anhand folgender Kriterien Allgemeine Kriterien DTD bezogene Kriterien DTD-XML bezogene Kriterien Beispiel: XML-Auszeichnung TEI (Text Encoding Initiative) Allgemeines Aufbau und Struktur Analyse anhand der Kriterien Allgemeine Kriterien DTD bezogene Kriterien DTD-XML bezogene Kriterien Beispiel: XML-Auszeichnung NCBI Book Tag Set Allgemeines Aufbau und Struktur Analyse anhand der Kriterien Allgemeine Kriterien DTD bezogene Kriterien DTD-XML bezogene Kriterien Beispiel: XML-Auszeichnung Vergleich der DTDs Vergleichstabelle Zusammenfassung der Kriterien Zugänglichkeit Dokumentierung Entwicklung und die Umsetzung der Schemata in Modulen Umfang Benutzerfreundlichkeit Typografische Auszeichnungen Möglichkeiten zur Anpassung der DTD an eigene Anwendungen Besonderheiten der Schemata Zwischenfazit 86 III. Umsetzung der Bücher in XML und InDesign-Import Strukturanalyse der Bücher Vorstellung der Bücher Geisteswissenschaftliches Buch Block- und Inline-Elemente Anforderungen an die DTD Test: TEI Test: DocBook Test: NCBI Book Tag Set Fazit zum Test 95

5 Inhaltsverzeichnis Medizinisches Fachbuch Block- und Inline-Elemente Anforderungen an die DTD Test: NCBI Book Tag Set Test: DocBook Fazit zum Test Der XML-Workflow in InDesign Arbeitsmittel XML-Editoren InDesign Tabellenformate OASIS Open Exchange CALS Table Model (XML) XHTML Zuordnung der Elemente Von XML zu InDesign Problematik Herangehensweise Validierung mittels DTD Formatzuordnung Probleme und Anmerkungen zum InDesign- XML-Import Liste der Absatz- und Zeichenformatvorlagen Geisteswissenschaftliches Buch Medizinisches Fachbuch Zwischenfazit 123 IV. Fazit 125 Anhang 127 Glossar 128 Quellenverzeichnis 129 Selbstständigkeitserklärung 133 Danksagung 134 Thesen zur Diplomarbeit 135

6 6 Abbildungsverzeichnis Abb. 1: XML in Publishing Process Abb. 2: Überblick über die Entities Abb. 3: Top-level Struktur der ISO-DTD Abb. 4: ISO 12083, Buch-DTD Abb. 5. Top-level-Struktur eines DocBook-XML-Dokumentes Abb. 6: Aufbau der DocBook-Module Abb. 7: DocBook: DocBook-DTD Abb. 8: Top-level-Struktur eines TEI-XML-Dokumentes Abb. 9: TEI: tei.dtd Abb. 10: Erstellung einer TEI-DTD Abb. 11: Ein Schema erstellen, modifizieren oder auswählen Abb. 12: Metadaten für die Datei festlegen Abb. 13: Hinzufügen und Entfernen von Modulen Abb. 14: Hinzufügen und Entfernen von Elementen Abb. 15: Hinzufügen und Entfernen von Attributen Abb. 16: Top-level-Struktur eines Book Tag Set-XML-Dokumentes Abb. 17: Übersicht über alle Module des Book Tag Sets Abb. 18: NCBI Book Tag Set: Book-DTD Abb. 19: Aufbau des TEI-XML-Dokumentes Abb. 20: Aufbau des DocBook-XML-Dokumentes (geisteswissenschaftlich) Abb. 21: Aufbau des Book Tag Set XML-Dokumentes (geisteswissenschaftlich) Abb. 22: Aufbau des Book Tag Set XML-Dokumentes (medizinisch) Abb. 23: Aufbau des DocBook-XML-Dokumentes (medizinisch)

7 7 Tabellenverzeichnis Tab. 1: Tab. 2: Tab. 3: Tab. 4: Tab. 5: Tab. 6: Tab. 7: Tab. 8: Tab. 9: Tab. 10: Tab. 11: Tab. 12: Tab. 13: Tab. 14: Tab. 15: Tab. 16: Tab. 17: Tab. 18: Allgemeine Kriterien DTD bezogene Kriterien DTD-XML bezogene Kriterien DocBook-Versionen TEI-Versionen TEI-Module und Beschreibung Book Tag Set-Versionen Vergleich der DTDs Blockelemente geisteswissenschaftliches Buch Blockelemente medizinisches Fachbuch Elemente und Attribute des CALS-Modells Elemente und Attribute des XHTML-Modells Zuordnung der Elemente von XHTML zu CALS InDesign Tabellenattribute Absatzformatvorlagen für geisteswissenschaftliches Buch Zeichenformatvorlagen für geisteswissenschaftliches Buch Absatzformatvorlagen für medizinisches Fachbuch Zeichenformatvorlagen für medizinisches Fachbuch

8 8 Abkürzungsverzeichnis AAP ANSI CALS GNU ISO MWV NCBI NISO NLM OASIS ODD Relax NG TEI W3C WYSIWYG Association of American Publisher American National Standards Institute Continous Acquisition and Life-Cycle Support GNU is not Unix International Organization for Standardization Medizinisch Wissenschaftliche Verlagsgesellschaft National Center for Biotechnology Information National Information Standards Organization National Library of Medicine Organization for the Advancement of Structured Information Standards One Document Does it all Regular Language Description for XML New Generation Text Encoding Initiative World Wide Web Consortium What You See Is What You Get

9 9 Einleitung Digitalisierung, Automatisierung, Standardisierung, ebook und epublishing sind Begriffe, die die Verlagsbranche derzeit maßgeblich beherrschen. Seit die neuen ebook-reader auf den deutschen Markt drängen, ist eine Auseinandersetzung mit XML und der damit verbundenen Workflow-Umstellung nicht mehr aus der Verlagsbranche wegzudenken. Hinzu kommt die weltweit angestrebte Digitalisierung und Volltextsuche von Bibliotheksbeständen, die eine zukünftige elektronische Aufbereitung erfordern, um eine weltweite Nutzung der Inhalte zu ermöglichen. Die Buchbranche befindet sich in einer Umbruchphase, in der die Bedeutung des Verlages als Dienstleister stark zunimmt. Hier gilt es neue Geschäfts- und Workflowmodelle zu entwickeln. Die Verlage aller Art sehen sich daher zusehendes mit den Themen XML, medienneutrale Datenhaltung und cross-medialem Publizieren konfrontiert. XML (Extensible Markup Language) ist das Basisformat für ebook Standards wie epub und Mobipocket. Während einige Verlage (Springer 1, de Gruyter) ihre Workflows bereits auf XML umgestellt haben, müssen andere sich erstmals intensiv mit dem Standard auseinandersetzen. XML wird überall dort notwendig, wo es um medienneutrale Datenhaltung geht. Die Bedeutung der medienneutralen Datenhaltung nimmt wiederum zu, weil es wirtschaftlicher ist, Inhalte unabhängig von der späteren Verwendung zu erstellen und für unterschiedliche mobile Endgeräte (Handhelds, Smartphones, Handys, ereader etc.) und Plattformen (Websites, Communities etc.) aufzubereiten. Hier beschleunigen der technologische Druck und andere Anbieter wie Google, Amazon und Apple das Handeln der Verlage. Besonders im wissenschaftlichen Bereich sind die neuen Formen und Möglichkeiten des elektronischen Publizierens bereits sichtbar. Durchschnittlich 96,5% 2 aller wissenschaftlichen Zeitschriften aus dem Bereich Medizin werden bereits nach automatisierten und standardisierten Prozessen hergestellt. Die Vielfalt an Fachzeitschriften bleibt trotzdem erhalten. In der Wissenschaft nimmt die Aktualität der Inhalte eine zentrale Rolle ein und es besteht großes Interesse, sich global mit Wissenschaftlern auszutauschen. Erst mit der Entwicklung des Internets und den jetzigen Werkzeugen wie Content Management Systemen, Redaktionssystemen und dem Online-Publizieren kann weltweit auf die Inhalte zugegriffen werden. 1. Problemstellung Anders als im Publikumsverlag, zeichnen sich Texte in den Fach- und Wissenschaftsverlagen durch eine starke Strukturierung aus. Das Layout folgt dem Inhalt und unterstützt die Informationsaufnahme optisch. Zahlreiche Fußnoten, Anmerkungen, Marginalien, Verweise, Indizes, Abbildungen, Tabellen und Sonderzeichen müssen verwaltet werden. 1 Zugriff am laut Vorlesung Geschäftsprojektmanagement bei Joachim Brunold vom

10 Zielsetzung 10 Es ist eine Herausforderung den Inhalt unter Berücksichtigung einer DTD (Document Type Definition) abzubilden, so dass der Inhalt den Anforderungen des wissenschaftlichen Satzes entspricht. Es dürfen keine Strukturelemente bei der Auszeichnung der XML-Dokumente verloren gehen und die Auszeichnungen müssen eindeutig sein. Zu Beginn des Publizierens mit XML liegt die Schwierigkeit in der Strukturanalyse und der daraus abgeleiteten Verwendung einer bestimmten DTD. Entweder wird eine Standard-DTD als Grundlage benutzt oder eine verlagseigene DTD entwickelt. Bei einer Vielzahl an möglichen Inhaltsstrukturen fällt es schwer sich auf eine geeignete DTD festzulegen, da sie ebenso einen sauber strukturierten Text erzwingt. Der Einsatz einer DTD sichert damit eine einheitliche Struktur der Bücher und eine Qualität des Workflows. Besonders für Reihentitel oder periodisch erscheinende Zeitschriften bietet sich daher XML unter Verwendung einer DTD an. 2. Zielsetzung Der Schwerpunkt der Arbeit liegt zum einen auf der Analyse der DTDs und zum anderen auf der Strukturanalyse zweier wissenschaftlicher Bücher und deren Umsetzung mit XML unter Berücksichtigung einer DTD. Ziel ist ein valides XML-Dokument für den InDesign XML-Import und eine Liste mit Absatzund Zeichenformatvorlagen für die automatische Zuordnung von XML-Tags zu InDesign-Formaten. Den Rahmen für die Strukturanalyse bilden die DTDs. Ausgehend von dem ISO Standard haben sich weitere DTDs zur strukturierten Darstellung von Inhalten herausgebildet. Relevant für diese Arbeit sollen die Formate DocBook, TEI und das NCBI Book Tag Set sein. Jedes Format nutzt beispielsweise eine andere Notation für die Definition der Strukturelemente, die es in der vorliegenden Arbeit zu untersuchen und zu vergleichen gilt. Dabei müssen geeignete Vergleichskriterien gefunden werden. Die Diplomarbeit dient dazu, ein Gefühl für Strukturen und die Umsetzung in XML mittels DTDs zu schaffen. Sie soll außerdem dazu ermutigen sich mit den Strukturen von Dokumenten auseinander zu setzen, damit es leichter fällt, einen XML-basierten Workflow aufzubauen. 3. Vorgehensweise Die Arbeit entstand in Kooperation mit einem Verlagsdienstleister und einem Verlagsservice in Berlin. Für die Analyse wissenschaftlicher Texte stehen aus jedem Unternehmen jeweils ein Buch und die entsprechende InDesign-Datei zur Verfügung. Als Einstieg in das Thema wird ein Überblick über die relevanten Begriffe, die im Zusammenhang mit den Auszeichnungs- und Schemasprachen stehen, gegeben. Hinsichtlich des Vergleiches der DTDs soll der Frage nachgegangen werden, welche DTD sich am besten für die Auszeichnung eines geisteswissenschaftlichen und ein medizinischen Fachbuches eignet und welche Gründe dafür sprechen.

11 Vorgehensweise 11 Im Praxisteil der Arbeit werden die Vor- und Nachteile der jeweiligen DTD deutlich ausgearbeitet und die XML-Dokumente der Bücher erstellt. Für eine eindeutige Zuordnung der XML-Tags zu InDesign-Formatvorlagen ist eine XSLT-Transformation notwendig. Die Regeln dazu werden anhand von Überlegungen dargestellt. Eine praktische Umsetzung ist nicht Gegenstand dieser Arbeit. Außerdem wird auf die Arbeit von XML mit InDesign CS4 eingegangen. Die XML-Dateien und die verwendeten DTDs liegen der Diplomarbeit als CD bei. Die mit einem hochgestellten G gekennzeichneten Begriffe sind im Glossar auf Seite 128 erläutert. Hinweis: Aus Copyrightgründen fehlen im Anhang die Belegtexte der analysierten Bücher.

12 12 I. Begriffe und Definitionen 1. Auszeichnungssprachen Auszeichnungssprachen oder auch Markup-Sprachen sind Sprachen, um Texteoder Textbestandteile beliebigen Inhaltes und beliebiger Länge auszuzeichnen. 3 Zum Markup eines Dokumentes zählen die Start- und Endtags, Entity-Referenzen, Kommentare, Deklarationen sowie Verarbeitungsanweisungen SGML SGML bedeutet Standard Generalized Markup Language und ist eine so genannte Metasprache, das heißt eine Auszeichnungssprache zur Definition anderer Auszeichnungssprachen. SGML ist ein von der International Organization for Standardization (ISO) als Norm ISO 8879 verabschiedeter Standard, der 1986 entwickelt wurde. Der Standard beschreibt wie Auszeichnungssprachen für eine medienneutrale und elektronische Verarbeitung definiert sein müssen. Abgeleitet von SGML sind beispielsweise HTML, XML und XHTML. Alle Sprachen, die dem SGML-Standard entsprechen, sind ebenfalls Markup-Sprachen und damit eine Anwendung von SGML XML XML ist eine Teilmenge von SGML. XML heißt Extensible Markup Language, das heißt eine erweiterbare Auszeichnungssprache zur Darstellung von Inhalten. Entwickelt wurde XML vom World Wide Web Consortium (W3C) G als offener Standard. XML ist ein flexibel einsetzbares Textformat und dient der strukturierten Speicherung und dem Austausch von Daten. Trotz vorgeschriebener Syntaxregeln (z. B. der Verschachtelung von Tags) ist es möglich eigene Namen für die Tags zu benutzen. Deshalb lassen sich XML-Dokumente auch mit wenig Erfahrung leicht lesen und ihre Informationen leicht verstehen. XML trennt zwischen den Daten selbst und der Verarbeitung von Daten. Einfach ausgedrückt wird zwischen Inhalt, Struktur und Layout unterschieden. Eine XML-Datei kann mit verschiedenen anderen Dateien (DTD, CSS G, XSL) verknüpft und auf unterschiedlichen Medien ausgegeben werden. Dadurch ist es möglich Dokumente zielgruppengerecht aufzubereiten. Der Vorteil von XML besteht darin, dass es die Verarbeitung bei der Entstehung des XML-Dokumentes offen lässt und lediglich den Inhalt und die Struktur abbildet. 6 XML-Dokumente werden von einem so genannten XML-Parser G interpretiert. 3 Vgl. Wittenbrink, Heinz; Köhler, Werner (Hrsg.): XML, S Vgl. Vonhoegen, Helmut: Einstieg in XML, S Vgl. Wittenbrink, Heinz; Köhler, Werner (Hrsg.): XML, S. 58f. 6 Vgl. Wittenbrink, Heinz; Köhler, Werner (Hrsg.): XML, S. 17f.

13 Überblick über die Schemasprachen 13 Andere von XML abgeleitete Sprachen sind XSLT G, XPath G, XQuery G etc. XML ist demzufolge ein Sammelbegriff für eine Technologie. 2. Überblick über die Schemasprachen Ein Schema im Sinne der Informatik bezeichnet die formale Beschreibung einer Datenstruktur. Bezogen auf XML, definiert ein Schema die Struktur und den Inhalt (Text, Bild, Zahl, Link etc.) eines XML-Dokumentes. Spezielle Schemasprachen sind z. B. Relax NG, W3C XML Schema und DTD, die in den folgenden Abschnitten näher beleuchtet werden sollen. 7 Schemasprachen unterteilen sich in grammatikbasierte und regelbasierte Sprachen. 8 Abgebildet sind diese in der ISO-Norm 19757, einem im Jahr 2006 entwickelten Standard für die Document Schema Definition Languages (DSDL). Dieser ist eine Zusammenfassung verschiedener Techniken zur Validierung von XML-Dokumenten mittels Relax NG, Schematron, Namespace-based Validation Dispatching Language (NVDL), Data Type Library Language (DTLL), Document Type Definition (DTD) und weiterer Sprachen. Mit DSDL ist es möglich ein XML- Dokument mit mehreren Schemasprachen statt einer Einzigen zu validieren. 2.1 Grammatikbasierte Schemasprachen Die grammatikbasierten Sprachen sind weit verbreitetet. Sie definieren die Aufbauregeln für XML-Dokumente, beispielsweise welche und wie viele Unterelemente (= Child elements) ein Element enthalten darf. Des Weiteren bestimmen grammatikbasierte Schemasprachen welche Attribute ein Element besitzen darf oder muss. Für die Attribute lassen sich unterschiedliche Datentypen (Text, Zahl, u. a.) und Werte (required, implied, fixed) festlegen. Die grammatikorientierten Sprachen unterscheiden sich teilweise stark in ihrer Restriktivität, was bedeutet, dass einige Sprachen sehr genaue Vorschriften für die Verwendung der Elemente und Attribute machen DTD DTD ist die Abkürzung für Document Type Definition. Eine DTD wird benötigt, um die Struktur eines XML-Dokumentes festzulegen. Sie ist vergleichbar mit der Grammatik einer Sprache. Die DTD ist außerdem eine Hilfestellung für die Erstellung von XML-Dokumenten, da sie die Verwendung und Reihenfolge der Elemente klar definiert. Der Verweis auf eine DTD erfolgt aus dem XML-Dokument heraus. Ohne DTD ist ein XML-Dokument zwar wohlgeformt, aber nicht gültig. Die DTD bildet die Elemente und Attribute aus einem XML-Dokument ab und dient der Zuweisung erlaubter Werte. Das bedeutet, dass alle XML-Dokumente, die die gleichen Elemente benutzen und mit der DTD verknüpft sind, gleich behandelt werden. DTDs sind case sensitive, das heißt es wird zwischen Groß- und Kleinschreibung unterschieden. 7 Vgl. Kränzler, Christiane: XML, XSL für Buch und Web, S Vgl. Wilde, Erik: XML Schemasprachen: Übersicht und Einordnung, PDF-Präsentation.

14 Überblick über die Schemasprachen 14 Eine DTD lohnt sich jedoch erst für die Verarbeitung mehrerer gleichartiger Dokumente oder wenn viele verschiedene Personen XML-Dokumente erstellen. DTDs wurden ursprünglich für die Validierung von SGML-Dokumenten erstellt. Mit der Einführung von XML mussten auch die DTDs angepasst werden. XML-DTDs sind im Vergleich zu SGML-DTDs etwas strikter, indem sie beispielsweise keinen unordered content und mixed content nur eingeschränkt verarbeiten können. 9 In einer SGML-DTD ist beispielsweise angegeben, bei welchen Elementen die Endtags wegfallen dürfen; es wird nicht zwischen Groß- und Kleinschreibung unterschieden und bei Attributen kann teilweise auf die Anführungszeichen verzichtet werden. 10 Nähere Informationen zu den Inhalten von DTDs folgen unter 3. ab Seite W3C XML-Schema Die DTD ist ein Schema um XML-Dokumente zu validieren, sie ist jedoch nicht in XML-Syntax geschrieben. Außerdem sind DTDs weniger restriktiv, zum Beispiel hinsichtlich der Datentypen. Aus diesen Gründen entwickelte das W3C 2001 das XML-Schema. Hin und wieder taucht in der Literatur der Begriff XML-Schema Definition Language (XSDL) auf. Sie ist gleichbedeutend mit XML-Schema und W3C XML-Schema. Das XML-Schema unterteilt sich in zwei Teile: Teil 1 ist die XSDL. Sie beschreibt die Strukturen und Restriktionen von XML-Dokumenten. Diese Spezifikation hängt von dem folgenden Teil 2 ab. 11 Teil 2 beschreibt neben anderen XML-Spezifikationen 12 die Datentypen, die in XML-Schema benutzt werden. Mit Hilfe eines XML-Schemas lassen sich Elemente unter anderem kontextabhängig darstellen. Das Element für einen Absatz kann beispielsweise einmal mit und einmal ohne Fußnote deklariert werden. Name und Elementtyp (simple type, complex type) eines Elementes sind nicht direkt miteinander verbunden, sondern nur assoziiert. Im Vergleich dazu ist es in einer DTD nur möglich die Fußnote für einen Absatz optional zu halten, was ein weniger restriktives Inhaltsmodell bedeutet. 13 Zusammenfassend hat das XML-Schema im Vergleich zur DTD folgende Vorteile: Es ist restriktiver, das heißt, Inhalte lassen sich besser strukturieren und damit kontrollieren; es unterstützt mehrere Datentypen und Namensräume; es ist selbst in einem eigenen Namensraum definiert (xmlns:xsd= XMLSchema ) und ist in XML-Syntax geschrieben. Darüber hinaus sind in einem XML-Schema ähnlich wie in einer DTD die Elemente, Attribute, deren Reihenfolge und Häufigkeit etc. bestimmt. Der Nachteil eines XML-Schemas ist die schlechte Lesbarkeit der XML-Dokumente durch die Verwendung eines Namensraum- Präfixes. 9 Vgl. Walsh, Norman: Converting a SGML DTD to XML. index.html#xmldtd, Zugriff am Vgl. Wittenbrink, Heinz; Köhler, Werner (Hrsg.): XML, S Thompson, Henry S. et al.: XML Schema Part 1: Structures Second Edition. TR/xmlschema-1, Zugriff am Biron, Paul V et al.: XML Schema Part 2: Datatypes Second Edition. xmlschema-2, Zugriff am Vgl. Wittenbrink, Heinz; Köhler, Werner (Hrsg.): XML, S. 51ff.

15 Überblick über die Schemasprachen Relax NG 14 Relax NG ist die Abkürzung für Regular Language Description for XML New Generation. Der Standard wurde Ende 2001 durch das Technical Committee von OASIS (Organization for the Advancement of Structured Information Standards) entwickelt und ist Bestandteil der oben genannten ISO-Norm (ISO 19757). Relax NG basiert auf den Sprachen TREX (Tree Regular Expressions for XML) von James Clark und RELAX Core von Makoto Murata. Relax NG hat folgende Eigenschaften: Es existiert sowohl eine ausführliche XML-Syntax als auch eine kompakte Nicht-XML-Syntax; es unterstützt XML- Namensräume (XML namespaces) und es kann mit anderen Schemasprachen zusammenarbeiten. Des Weiteren sind Attribute immer Teil des Inhaltsmodells (vgl. DTD und XML-Schema, hier sind die Attributdeklarationen von den Elementen getrennt) und es wird eine uneingeschränkte Unterstützung von unordered und mixed content gewährleistet. In Relax NG existieren nur die beiden vordefinierten Datentypen text und token. Aus diesem Grund konzentriert sich Relax NG im Vergleich zum XML-Schema auf die Strukturbeschreibung. Es ist jedoch möglich weitere Datentypen einzubinden. Relax NG gilt als eine einfacher zu handhabende Alternative zu XML-Schema, es ist weniger umfangreich und leichter erlernbar Regelbasierte Schemasprachen Was grammatikbasierte Sprachen nicht oder nur teilweise können, ist die Strukturen in Abhängigkeiten von anderen Elementen und Attributen zu beschreiben. 16 Regelbasierte Sprachen hingegen können überprüfen, ob ein Element oder ein Attribut einen bestimmten Inhalt hat oder nicht. Beispielsweise ist es möglich, dass ein Element direkt Text enthält, oder dass das gleiche Element ein Attribut mit dem Text enthält. Eine Sprache wie Schematron überprüft, ob dieser Text in einer der beiden Varianten vorkommt. Falls beide Varianten zu einem negativen Ergebnis führen, ist es ein Widerspruch und folglich ein Fehler. Die regelbasierten Sprachen sind eine gute Ergänzung zu den grammatikbasierten Sprachen. Sie geben dem Workflow mehr Stabilität und Sicherheit. Existiert zum Beispiel ein Workflow auf der Grundlage von DTDs, lässt sich ein Schematron- Dokument zur Überprüfung der Abhängigkeiten dazwischen schalten, das heißt noch vor die Transformation des XML-Dokumentes ISO Schematron Die regelbasierte Schemasprache Schematron dient der Ergänzung der grammatikbasierten Schemasprachen. Der ISO-Standard, im Oktober 2004 herausgegeben, definiert Regeln in der XML-Sprache XPath für die Überprüfung von XML-Dokumenten. Aus der Perspektive jedes Elementes werden Szenarien beschrieben, die Zusammenhänge zwischen Elementen testen. Das Ergebnis kann 14 Vgl. Makoto, Murata: Relax NG. Zugriff am Vgl. Wittenbrink, Heinz; Köhler, Werner (Hrsg.): XML, S. 531ff. 16 Dünckel, Björn et al.: Über die Eignung von Schema-Sprachen zur Prüfung von XML-Dokumenten. Zugriff am

16 Überblick über die Schemasprachen 16 wahr oder falsch sein zum Beispiel ob eine bestimmtes Element das Kindelement von einem anderen Element ist. 17 Schematron schaut folglich auf Zusammenhänge und Muster in der Baumstruktur des XML-Dokumentes. Für die Erstellung einer Regel werden lediglich die vier Elementtypen pattern, rule, assert und report benutzt. Mit pattern gruppiert man alle Regeln zu einem bestimmten Element. Das Attribut context gibt den Ort des Elementes durch einen XPath-Ausdruck an. Das Attribut test beschreibt einen XPath-Ausdruck zum Testen des Elementes. Ein XPath-Ausdruck kann beispielsweise eine Funktion oder eine logische Verknüpfung sein. Außerdem definiert ISO Schematron die XML-Sprache SVRL (Schematron Validation Report Language). Damit wird eine Reportdatei über die Ergebnisse der Validierung und eventuelle auftretende Fehler im XML-Dokument erstellt Zusammenfassung Bevor im Verlauf der Arbeit intensiver auf die DTDs eingegangen wird, soll an dieser Stelle ein Überblick über das Zusammenwirken von Inhalt, Struktur und Format gegeben werden. Parser Transformer Parser Wohlgeformtheit testen 3. Formatieren und Publizieren XSL Parser Validierung des XML-Dokumentes durch die DTD 1. Struktur definieren DTD 0. Strukturdiagramm Abb. 1: XML in Publishing Process Inhalt erstellen XML datenorientierter Output, zum Beispiel ein Register dokumentorientierter Output, zum Beispiel ein Buch Um zu einer DTD zu gelangen, existieren zwei verschiedene Ansätze. Die eine Möglichkeit ist die Erstellung einer eigenen DTD auf der Grundlage eines Strukturdiagrammes. Die andere Variante greift auf eine Standard-DTD zurück. Beide Ansätze haben Vor- und Nachteile, die an dieser Stelle nicht weiter diskutiert werden sollen. 17 Vgl. Wittenbrink, Heinz; Köhler, Werner (Hrsg.): XML, S. 539 f. 18 Vgl. Schematron: How is Schematron used? Zugriff am Vgl. Kari Aaltonen: Defining XML in Publishing vom In: XML and Multichannel Publishing. Finnland: EVTEK.

17 Allgemeines zu den Strukturelementen von DTDs 17 In einem ersten Schritt wird durch den Parser die Wohlgeformtheit des Dokumentes überprüft. Ein XML-Dokument gilt als wohlgeformt, wenn es den Regeln der XML-Syntax 20 entspricht. Im nächsten Schritt kann die Gültigkeit des Dokumentes überprüft werden. Ein Dokument ist gültig, wenn es wohlgeformt ist und den Regeln der DTD oder des Schemas entspricht. 21 In einer DTD ist die Struktur des XML-Dokumentes abgebildet, anhand derer der Parser die Gültigkeit des Dokumentes prüft. Ein XML-Dokument lässt sich zwar ohne DTD verarbeiten, es wird jedoch keine Übereinstimmung mit einer definierten Struktur gewährleistet. Insbesondere für mehrere, gleichartige XML-Dokumente lohnt es sich eine DTD in den Workflow einzubauen. Hinzu kommt, dass die meisten XSLT-Prozessoren G lediglich nach dem Vorhandensein einer DTD-Deklaration suchen, aber ein Dokument nicht automatisch gegen diese validieren. Aus diesem Grund können ungültige, aber wohlgeformte XML-Dokumente entstehen. 22 Es ist daher sinnvoll ein Dokument vor der Transformation in andere Formate zu validieren. Das valide XML-Dokument wird schließlich mittels XSL G transformiert. XSL ist ein Konzept für die Verarbeitung und Nutzung von XML-Daten bzw. -Dokumenten. 23. Die Teilkonzepte von XSL heißen XSLT, XPath und XSL-FO G. 24 Während des Transformationsprozesses können Informationen aus dem XML-Dokument entfernt, hinzugefügt, umsortiert und umbenannt werden. Die Verarbeitung hängt von der Struktur des XML-Dokumentes ab. Die Struktur sollte immer möglichst eindeutig sein. Ein XML-Dokument wird nach verschiedenen Ansätzen formatiert: zum einen der dokumentorientierte Ansatz und zum anderen der datenorientierte Ansatz, je nachdem was ausgegeben werden soll. Im Bereich der Verlage ist meistens der dokumentorientierte Ansatz vordergründig. Das bedeutet, dass XML vor allem zum Transport und zur Speicherung von Informationen in einem medienneutralen Umfeld genutzt wird und dass es um das Dokument als Ganzes geht. Hinsichtlich der Strukturen sind in Büchern hauptsächlich semistrukturierte Informationen wie Überschriften, Abschnitte, Fließtexte usw. enthalten, aber teilweise auch hochstrukturierte Informationen wie beispielsweise Tabellen Allgemeines zu den Strukturelementen von DTDs Nachdem im vorherigen Kapitel der Begriff DTD im Zusammenhang mit XML- Dokumenten erläutert wurde, widmet sich dieses Kapitel den Strukturelementen von DTDs. Dazu zählen Namensräume, Element- und Attributdeklarationen, Entities und Notationen. 20 Vgl. Wittenbrink, Heinz; Köhler, Werner (Hrsg.): XML, S. 88ff. 21 Vgl. W3 Schools: XML Validation. Zugriff am Vgl. Stayton, Bob: DocBook XSL: The Complete Guide, S. 13 f. 23 Vgl. Krüger, Manfred: XSL-FO verstehen und anwenden. S Ebenda. 25 Vgl. Wittenbrink, Heinz; Köhler, Werner (Hrsg.): XML, S. 20ff.

18 Allgemeines zu den Strukturelementen von DTDs Namensräume Namensräume bzw. namespaces sind erforderlich, wenn in einem XML-Dokument mehrere XML-Sprachen verwendet werden. Bekanntermaßen ist die XML-Sprachfamilie sehr groß. Jede Sprache besitzt eigene Elemente und Attributnamen, die sich überschneiden können, sobald sie in einem gemeinsamen XML-Dokument verwendet werden. Die Verwendung eines Präfixes verhindert dieses Problem: Es kommt zu keinen Konflikten oder Mehrdeutigkeiten in der Bennennung von Elementen. 26 Eine DTD erlaubt beispielsweise die zwei verschiedenen Tabellenmodelle XHTML und CALS. Um Konflikte zu vermeiden, erhält jedes Element des CALS- Modells das Präfix oasis (Das Tabellenformat hat die Organisation OASIS entwickelt.) und die Elemente einer XHTML-Tabelle kein Präfix. Für den Vergleich der beiden Tabellenmodelle siehe Kapitel II, Abschnitt 2.2, Seite 106. Namensräume sind weiterhin sinnvoll, wenn beispielsweise mehrere Personen an einem Dokument arbeiten. In diesem Fall arbeitet jede Person in einem eigenen Namensraum und bei einer möglichen Zusammenführung der Dokumente entstehen keine Konflikte. Der Namensraum definiert sich über das spezielle XML-Attribut xmlns. Zur Identifizierung wird ein eindeutiger URI G benötigt. Eine Deklaration könnte wie folgt aussehen: <TEI xmlns= > Hat ein Element kein Präfix, gilt der default namespace (siehe oben). Die Namensraumdeklaration hat keine Verweisfunktion. Der URI dient lediglich der eindeutigen, formalen Bezeichnung des Namensraumes. Optional kann für jeden Namensraum ein eigenes Präfix bestimmt werden. Dann sieht die Deklaration folgendermaßen aus. Das Präfix ist in diesem Fall tei. <TEI xmlns:tei= > 3.2 Elementdeklarationen Ein Element wird in einer DTD durch ein Inhaltsmodell und die Häufigkeitsindikatoren beschrieben Inhaltsmodelle 27 Ein Inhaltsmodell beschreibt, welche Art von Inhalt, in welcher Reihenfolge und wie oft für ein Element zugelassen ist. Die Reihenfolge sollte in Abhängigkeit von einer sinnvollen Struktur gewählt werden. Inhaltsmodelle enthalten entweder Sequenzen von Elementen (Trennung durch Kommata) oder Wahlmöglichkeiten zwischen Elementen (Trennung durch 26 Vgl. Herpers, Franz-Josef: XML-Namensräume und Validierung. org/artikel/xml/namensraeume, Zugriff am Vgl. Wittenbrink, Heinz; Köhler, Werner (Hrsg.): XML, S. 221ff.

19 Allgemeines zu den Strukturelementen von DTDs 19 vertikalen Strich) oder beides (mixed content). 28 Durch die Festlegung von Inhaltsmodellen wird eine Konsistenz der Daten erreicht Häufigkeitsindikatoren Die Indikatoren +, * und? legen die Häufigkeit der einzelnen Elemente fest. + mindestens einmal oder wiederholt auftauchend * gar nicht, einmal oder beliebig oft auftauchend? kein Mal oder genau einmal auftauchend Steht keines dieser Indikatoren bedeutet es, dass das Element einmal vorhanden sein muss Inhaltstypen Die Inhaltstypen sind Teil des Inhaltsmodells. Sie heißen ANY, EMPTY, #PC- DATA und #CDATA, Gemischter Inhalt und Elementinhalt. Durch Kombination der Inhaltstypen mit den Häufigkeitsindikatoren lassen sich die unterschiedlichsten Inhaltsmodelle bauen, wie in den folgenden Abschnitten dargestellt. <!ELEMENT buecher ANY> Jeder Inhalt ist für das Element möglich, sowohl verschiedene Elemente als auch Zeichendaten. ANY wird vom Parser nicht auf Gültigkeit überprüft, dies widerspricht dem Zweck einer DTD. 29 Deshalb sollte dieser Inhaltstyp möglichst vermieden werden, da er zu viel Freiraum lässt und die Struktur nicht eindeutig definiert. <!ELEMENT verweis EMPTY> Dieser Typ definiert, dass ein Element keinen Inhalt enthalten darf. EMPTY ist sinnvoll, wenn ein Element keine anderen Elemente enthält, sondern nur Attribute, wie beispielsweise eine Bildreferenz. <!ELEMENT absatz #PCDATA> Das Element enthält Zeichendaten. PC bedeutet Parsed Characters und gibt dem Parser den Hinweis, dass dieses Element Text enthält. <!ELEMENT bild #CDATA> steht für Character Cata. Dieser Inhaltstyp wird für Zeichendaten ohne Markup verwendet und wird nicht vom Parser gelesen. <!ELEMENT buecher (#PCDATA buch)*> Hier enthält das Element buecher gemischten Inhalt (mixed content), das heißt eine Kombination aus Zeichendaten und Unterelementen. Es bleibt offen, ob das Element buecher nur Zeichendaten enthält oder das Kindelement buch. Der Nachteil von gemischten Inhalten ist der Kontrollverlust über die Reihenfolge und die Häufigkeit der Elemente. Gemischter Inhalt erfordert das Sternchen *. <!ELEMENT buecher (buch+, kategorie)> Das Element buecher enthält nur Unterelemente in einer festgelegten Reihenfolge: buch und kategorie sind 28 Vgl. NCBI: Implementing These Tag Sets. Zugriff am Vgl. Vonhoegen. Einstieg in XML: Grundlagen, Praxis, Referenzen, S. 85.

20 Allgemeines zu den Strukturelementen von DTDs 20 Kindelemente von buecher. Das Element buecher enthält ein oder mehrere Elemente buch und ein Element kategorie. 3.3 Attributdeklarationen Attribute stellen Zusatzinformationen für Elemente dar. In der DTD ist festgelegt, welche Attribute ein Element besitzt und welche Werte ein Attribut annimmt. In der DTD sind Attribute immer nach dem folgenden Schema mit dem Schlüsselwort ATTLIST deklariert. <!ATTLIST Elementname Attributname Datentyp Standardwerte> Zum Beispiel: <!ATTLIST buch isbn CDATA #REQUIRED> Außerdem ist es möglich für Attribute eine Auswahl an möglichen Werten festzulegen. Elemente, die das Attribut verwenden, müssen immer einen der Werte annehmen. <!ELEMENT buch (#PCDATA)> <!ATTLIST buch typ (Hardcover Softcover Flexicover) #REQUIRED Attribute beziehen sich immer auf das jeweils zugehörige Element. Ein Attribut besitzt einen Datentyp und einen Standardwert, auf die in den folgenden Abschnitten eingegangen wird Datentypen CDATA heißt Character Data, Zeichendaten. Das Attribut nimmt jede beliebige Zeichenfolge an, ohne die Zeichen &, <, > oder, da diese durch gesonderte Named Entities (&, <, > und ") definiert werden. ID: Bezeichnet eine eindeutige ID für ein Attribut, beispielsweise eine ISBN. Eine ID darf innerhalb eines gesamten XML-Dokumentes nur ein einziges Mal vorkommen. IDs dürfen nicht mit einer Ziffer beginnen, wie es bei einer ISBN der Fall ist. Deshalb wird hier ein Buchstabe oder ein Zeichen (Punkt, Bindestrich, Unterstrich, Doppelpunkt) verwendet. IDREF/IDREFS: Um auf die ID eines Elementes zu verweisen (Querverweise), wird das Attribut IDREF verwendet. Dadurch wird eine eindeutige Zuordnung erzielt. Der Parser prüft, ob zu jedem IDREF eine ID existiert. Für IDREFS besteht der Wert aus mehreren Referenzen, getrennt durch ein Leerzeichen. ENTITY/ENTITIES: Damit können Referenzen innerhalb einer DTD abgebildet oder häufig vorkommende Textteile ersetzt werden. Nähere Erläuterungen dazu folgen weiter unten. NMTOKEN/NMTOKENS: Ist eine Zeichenkette, die im Vergleich zur ID nicht eindeutig sein muss und die mit einer Ziffer oder einem Sonderzeichen beginnen darf. Leerzeichen sind nicht erlaubt.