“Wie die Hahnenfüße in meine ſchöne engliſche Curſivſchrift gekommen, mag Gott und der Archivarius Lindhorſt wiſſen” (Hoffmann 1819 (“Der goldne Topf”) S. 152)
1. Name und Zweck von XML
XML ist die Abkürzung von Extensible Markup Language ‘erweiterbare Auszeichnungssprache’.
Als Auszeichnungssprache ist XML eine Menge von Regeln, wie man in einem Text auszeichnen kann, das heißt, in einem Text Abschnitte abgrenzen und Aussagen über solche Abschnitte festhalten kann – zum Beispiel, einen Abschnitt als Überschrift, einen anderen als Erwähnung einer Person auszeichnen kann. XML dient also dazu, Zusatzangaben zu bestimmten Abschnitten eines Textes festzuhalten.
Erweiterbar ist diese Auszeichnungssprache in dem Sinne, dass ihre Regeln nur die Syntax der Auszeichnung festlegen, während man die Lexik (das Vokabular) nach je eigenem Bedarf selber festlegt. Das soll im Folgenden anschaulich werden.
2. Auszeichnen mit Spitzklammern, Schrägstrichen, Elementnamen
Nehmen wir den Anfang der zweiten Vigilie in Hoffmann 1819 (S. 91) als Beispiel …
…, so reicht eine bloß buchstäbliche Wiedergabe, wie getreu sie auch sei, nicht aus, allen Inhalt festzuhalten:
«Der Herr iſt wol nicht recht bei Troſte! ſagte
eine ehrbare Bürgerſfrau, die vom Spaziergange mit
der Familie heimkehrend, ſtill ſtand, und mit überein-
andergeſchlagenen Armen dem tollen Treiben des Stu-
denten Anſelmus zuſah. Der hatte nämlich den
Stamm des Hollunderbaumes umfaßt und rief unauf-
hörlich in die Zweige und Blätter hinein: «O nur
noch einmal blinket und leuchtet, ihr lieblichen goldnenHier fehlt vor allem die Sperrung, die in der Vorlage das Demonstrativpronomen der auszeichnet. Mittels XML lässt sich die Sperrung zum Beispiel so festhalten:
[…] Anſelmus zuſah. <gesperrt>Der</gesperrt> hatte nämlich den […]
Das <gesperrt> bezeichnet den Anfang des auszuzeichnenden Abschnittes, das </gesperrt> sein Ende; die Bezeichnung gesperrt, der sogenannte Elementname, trifft die Aussage über den Abschnitt, von der oben die Rede war.
Ein möglicher Sonderfall ist es, dass der auszuzeichnende Abschnitt nur ein Punkt im auszuzeichnenden Text ist, also keine Zeichen in sich enthält, kurzum: leer ist. Im vorliegenden Beispiel könnte das eine Auszeichnung der Zeilenenden sein:
«Der Herr iſt wol nicht recht bei Troſte! ſagte<zeilenende></zeilenende>
Für solche Leerfälle gibt es eine Kurzschreibweise (man beachte den Schrägstrich und wo er steht):
«Der Herr iſt wol nicht recht bei Troſte! ſagte<zeilenende/>
Zusammengefasst gelten hier die folgenden Syntaxregeln:
A. Anfangs- und Endmarke sind mit Spitzklammern (genauer: dem Größer- und dem Kleiner-Zeichen) abgegrenzt von dem sonstigen Text, der Gegenstand der Auszeichnung ist.
B. Die Endmarke unterscheidet sich von der Anfangsmarke durch den Schrägstrich nach der öffnenden Spitzklammer: <gesperrt> gg. </gesperrt>.
C. Der Fall leerer Elemente: Statt <…></…> darf man immer auch <…/> schreiben und umgekehrt.
D. Der Elementname darf nicht ganz beliebige Zeichen enthalten, sondern nur (a) in Wörtern vorkommende Zeichen (also keine Leer- oder Interpunktionszeichen) sowie (b) Unterstriche (_) und (c) Bindestriche (-), Letztere aber nicht als erstes Zeichen.
3. Syntax, Lexik und gemeinsames Lexikon
Solche Syntaxregeln sind durch XML festgelegt; zu den Elementnamen aber macht XML ansonsten keine Festlegungen: Man legt sie selber nach dem je eigenen Aussagebedarf fest. Das heißt, die Lexik ist bei XML wahlfrei.
Freilich wird man sich innerhalb ein- und desselben Vorhabens auf ein einziges, gemeinsames Elementlexikon einigen, damit dieselbe Bedeutung auf dieselbe Weise bezeichnet wird.
Ja, es ist sogar wünschenswert, wenn dasselbe Lexikon auch über das eigene Vorhaben hinaus verwendet wird – daher wurden Lexika geschaffen, die vorhabenübergreifend verwendet werden können sollen, so das DTAbf-XML, das wiederum eine Auswahl aus dem überbordenden TEI-XML ist.
4. Enterzeichen, Tabulatorzeichen, Leerzeichen
Zeilenenden auszuzeichnen, wie oben im Beispiel, scheint zunächst überflüssig, wenn man Zeilenenden ja schon als Enterzeichen eingetippt hat. In XML aber gilt:
E. Ein Enterzeichen ist (ebenso wie ein Tabulatorzeichen) gleichbedeutend mit einem Leerzeichen; und mehrere Leerzeichen hintereinander sind gleichbedeutend mit einem einzigen Leerzeichen.
Entsprechend müssen Zeilenwechsel und Absätze mit Spitzklammerungen ausgezeichnet werden; ein Enterzeichen genügt dafür nicht. Ein Beispiel für solche Auszeichnung:
<absatz>«Der Herr iſt wol nicht recht bei Troſte! ſagte<zeilenende/> eine ehrbare Bürgerſfrau, die vom Spaziergange mit<zeilenende/> der Familie heimkehrend, ſtill ſtand, und mit überein-<zeilenende/> andergeſchlagenen Armen dem tollen Treiben des Stu-<zeilenende/> denten Anſelmus zuſah. <gesperrt>Der</gesperrt> hatte nämlich den<zeilenende/>⟦…⟧und ſprach: Was treiben Sie denn um des Himmels-<zeilenende/> willen für tolles Zeug, lieber Herr Anſelmus!</absatz>
(Färbungen wie die hier verwendete machen XML viel leserlicher und sind daher in allen zur Eingabe von XML üblichen Anwendungen verfügbar.)
Gründe für diese Regel E sind, dass man der Beständigkeit von Leerraumzeichen wohl misstrauen mochte – leicht werden Leerzeichen irrtümlicherweise doppelt eingetippt, fester Umbruch durch Enterzeichen und gleitender Umbruch am Bildschirmrand sind oft zu verwechseln – und diese Regel E es auch gleich ermöglicht, Zeilenwechsel von Absätzen sowie beliebig viele Arten von Absätzen – etwa Petit-Absätze, Überschriften, Strophen – voneinander zu unterscheiden, indem sie je eigene Elementnamen bekommen.
5. Auszeichnungen verschachteln
Wie das zuletzt gegebene Beispiel zeigt, können Auszeichnungen verschachtelt werden, das heißt, ein ausgezeichneter Abschnitt kann innerhalb eines anderen liegen:
<absatz> ⟦…⟧ <gesperrt>Der</gesperrt> ⟦…⟧ </absatz>
Allerdings muss ein enthaltener Abschnitt vollständig innerhalb des enthaltenden Abschnittes liegen. Mit anderen Worten: Abschnitte dürfen einander nicht überschneiden; es gilt die Syntaxregel:
F. Der zuletzt geöffnete Abschnitt muss zuerst wieder geschlossen werden.
Nicht erlaubt ist also eine Auszeichnung wie † <x> … <y> … </x> … </y> – hier hätte y vor x wieder geschlossen werden müssen.
Gründe dafür sind: Auch gleichnamige Auszeichnungen sollen einander enthalten können, etwa: <x> … <x> … </x> … </x>, was nicht eindeutig wäre, wenn Überschneidungen erlaubt wären. Und: Die Verarbeitung ist einfacher, wenn sie nicht mit Überschneidungen rechnen muss.
Hierher gehört auch die folgende Regel:
G. Ein XML-Dokument muss genau einen Gesamtabschnitt enthalten, der in sich allen auszuzeichnenden Text und alle anderen Auszeichnungsabschnitte enthält.
6. Erscheinungsbezogene oder sinnbezogene Auszeichnung
Einen Abschnitt als ‘gesperrt’ auszuzeichnen hält nur ein Merkmal der äußeren Erscheinung fest; eine mehr sinnbezogene Auszeichnung wäre etwa ‘betont’. Ein anderes Beispiel von derselben Seite, …
… könnte man erscheinungsbezogen so auszeichnen …
<zentriert><gesperrt><groß>Zweite Vigilie.</groß></gesperrt></zentriert>
… und sinnbezogen so:
<überschrift>Zweite Vigilie</überschrift>
Sinnbezogene Auszeichnungen gehen über den Befund äußerer Erscheinung hinaus und halten ein Verständnis dieses Befundes fest. Daher sind sie in der Regel wertvoller, nützlicher – zum Beispiel, wenn ein Inhaltsverzeichnis der Überschriften automatisch erstellt werden soll. Oder ein Personen‑, Orts- oder Werkeverzeichnis; dazu weiter im Folgenden.
7. Auszeichnen mit Attributen
Die bisherige Auszeichnungsweise mit Spitzklammerungen reicht zwar theoretisch aus, alles auszeichnen zu können, was man mit XML überhaupt auszeichnen kann. Manche Auszeichnungen aber sind viel einfacher und übersichtlicher, nutzt man eine weitere syntaktische Möglichkeit: in Spitzklammerungen Schlüssel-Wert-Paare unterzubringen und damit die Aussage des Elementnamens zu ergänzen. Ein Beispiel: In Hoffmann 1819 (S. 94) …
… lässt sich die Ortsangabe als <ort id="234">Pirnaer Vorſtadt</ort> festhalten, wobei hier der Wert 234 einfach eine sonst bedeutungslose ID darstellen soll, unter der sich in einer verabredeten Liste der Ort ‘Pirnaische Vorstadt’ eingetragen findet. – Neben solchen internen IDs gibt es externe, namentlich die GND, die einer Verknüpfung mit anderen Vorhaben sehr dienlich sind, aber erfahrungsgemäß besser in den Listeneintrag geschrieben werden als schon in die Transkription. Denn dann muss man sie nicht überall in den Transkriptionen, sondern nur an dieser einen Stelle, die man leicht findet, ändern, falls sich zum Beispiel herausstellt, dass man die GND verwechselt hat. Zudem sind dann einheitlich alle Orte versorgt, auch jene ohne GND, und man kann leicht noch andere externe Identifikatoren neben der GND hinzufügen wie die Wikidata-ID.
Man kann mehr als ein Attribut in derselben Anfangsmarke unterbringen, zum Beispiel <name art="ort" id="234">Pirnaer Vorſtadt</name>.
H. Schlüssel-Wert-Paare (Attribute) stehen als Zusatzangaben in einer Anfangsmarke, vom Elementnamen und voneinander durch Leerzeichen (oder Tabulatoren oder Enterzeichen) getrennt. Ihre Reihenfolge ist beliebig. Der Wert ist vom Schlüssel durch ein Gleichheitszeichen getrennt und steht in doppelten oder (seltener) einfachen Anführungszeichen.
8. Notwendige Umschreibungen
Damit immer klar ist, ob eine Zeichenfolge in einem XML-Dokument eine Auszeichnung ist oder nicht, ob sie zum Attributwert gehört oder ihn abschließt, gibt es die folgende Syntaxregel:
I. < bzw. > muss durch < bzw. > umschrieben werden (lt ‘lesser than’, gt ‘greater than’), wenn es nicht als Steuerzeichen im Sinne der oben genannten Syntaxregel A, sondern als echtes Kleiner- bzw. Größerzeichen in Vorlagentext oder einem Attributwert zu verstehen ist. – " bzw. ' muss durch " bzw. ' umschrieben werden, wenn es in einem Attributwert steht, der von " bzw. ' umgeben ist. (Wenn es in Vorlagentext steht, kann es, muss es aber nicht umschrieben werden.) – Schließlich muss nun auch noch & durch & umschrieben werden (& ‘ampersand’), wann immer es nicht als das Anfangszeichen einer Umschreibung zu verstehen ist.
Beispiele: <formel>7 < 8</formel>, <firma>Conradi & Compagnie</firma>.
9. Deklaration, Wohlgeformtheit und Validierung
J. Ganz an den Anfang von XML-Dokumenten, noch vor den Gesamtabschnitt, kann man etwas schreiben wie:
<?xml version="1.0" encoding="UTF-8" standalone = "yes"?>.
Das ist eine sogenannte Deklaration, die besagt, dass es sich um eine XML-Datei handelt, geschrieben gemäß der XML-Version 1.0 (es ist keine andere gebräuchlich) und im Zeichenschlüssel UTF-8.
“standalone = "yes"” besagt noch, dass für das Verständnis des XML-Dokumentes kein anderes, externes Dokument heranzuziehen ist. – Das hängt zusammen mit dem, was man als Validierung bezeichnet:
Ein XML-Dokument, das allen XML-Syntaxregeln genügt, bezeichnet man als wohlgeformt. Als gültig, valide dagegen bezeichnet man ein XML-Dokument erst, wenn es zudem einer engeren Festlegung erlaubter Elementnamen, ‑attribute, ‑abfolgen und ‑verschachtelungen folgt. Eine solche Festlegung heißt DTD = Document Type Definition. Sie kann ins XML-Dokument selbst hineingeschrieben werden oder eben in eine andere Datei, auf die im XML-Dokument verwiesen wird – standalone = "no". Eine andere Art solcher Festlegung ist ein sogenanntes XML-Schema, das einfach eine andere Syntax hat als eine DTD und immer in einer anderen Datei steht.
Ob das XML-Dokument, das man gerade schreibt, der engeren Festlegung genügt, kann dann mit einem Programm geprüft werden; und das kann auch das Programm sein, in dem man das XML-Dokument gerade schreibt, so dass alle Abweichung von der selbstgewählten Festlegung bald auffällt.
Das geht aber klar über das hinaus, worum man sich beim alltäglichen Transkribieren selbst bekümmern müsste. Daher sei hier abschließend nur noch auf eine Seite verwiesen, auf der die “Nutzung des DTA-Basisformat-Schemas” beschrieben wird.
10. Kommentare
K. An fast beliebige Stellen eines XML-Dokumentes, auch vor oder nach dem Gesamtabschnitt, aber nicht vor eine etwaige Deklaration, kann man Kommentare schreiben: Sie beginnen mit <!-- und enden mit -->.
Ein Beispiel:
den Stamm des Hollunderbaumes<!--Lesung prüfen: Holl / Hol?--> umfaßt und rief
11. Grenzen von XML und Wege jenseits von XML
XML ist umso eher geeignet, je mehr man es damit zu tun hat, dass man Text vorliegen hat und in diesen Text Auszeichnung einfügen will.
XML ist umso weniger geeignet, je mehr man es damit zu tun hat, dass man – gleichsam umgekehrt – ein Auszeichnungsgerüst vorliegen hat und Text in das Gerüst einfüllen will. Desto mehr nämlich machen sich Eigentümlichkeiten von XML als Nachteile bemerkbar: das den Blick verstellend Raumgreifende der XML-Spitzklammerungen, das Verwickelte der gesamten Leerzeichenregeln gerade um Block-Elemente herum und die fürs Eingeben, Korrekturlesen und Verarbeiten bürdevollen Verschachteleien.
Der Übergang zwischen beiden Fällen ist fließend.
Je mehr man es mit einem zu füllenden Gerüste zu tun hat, desto mehr eignet sich statt XML das Format JSON oder die Verwendung einer relationalen Datenbank. Das schließt nicht aus, dass dann immer noch auch XML verwendet wird: nämlich in Zeichenkettenwerten von JSON oder in Zellen einer relationalen Datenbank.