XML und Docbook in Sozial- und Geisteswissenschaften Dr Bunke Hendrik Der Artikel erörtert die Notwendigkeit von strukturiertem, wiederverwendbarem und standardisiertem Text und entsprechenden Dateiformaten für den Bereich der Geisteswissenschaften. Untersucht wird außerdem die Eignung speziell von Docbook für das Verfassen und Speichern von akademischen Texten aus diesem Bereich. Der Beitrag versteht sich als Plädoyer für bessere Textverarbeitung und -produktion (= nachhaltiger, strukturierter und zugänglicher) im digitalen Zeitalter und soll auch die nicht technisch Interessierten AutorInnen aus den Geisteswissenschaften ansprechen. Das Ganze basiert auf einem kleinen internen Paper, das ich mal für eine Arbeitsgruppe geschrieben habe und hat - außer meiner Vorliebe für XML - auch den Hintergrund leidvoller Erfahrungen bei der Herstellung von Büchern sowie einer geschichtswissenschaftlichen Zeitschrift, jeweils mit mehreren AutorInnen. Ich darf gar nicht drüber nachdenken, wieviel Arbeit mir erspart geblieben wäre, würden die alle standardmäßig (Docbook-)XML verwenden. Sie benutzen aber Word, und da fängt das Problem an.

Wer schon längere Texte (Artikel, Bücher, Abschlussarbeiten etc.) mit Word geschrieben hat, kennt die akuten Probleme. Das Programm stürzt (immer in den falschen Momenten) ab, Kopf- und Fußzeilen sind ein Albtraum, Bilder verschwinden spurlos, Seitenumbrüche machen sich selbstständig, Fußnoten erscheinen auf der falschen Seite etc.pp. Stabilität und Usability sind also das eine Problem. Das zweite ist ein vielleicht noch viel schwerwiegenderes. Alle Textverarbeitungen trennen den Inhalt nicht vom Layout. Für einen einfachen Text wie ein Brief, ein kurzes Konzeptpapier etc. mag das noch ziemlich zweitrangig sein. Für längere Texte, die weiterverarbeitet, publiziert und für unterschiedliche Medien aufbereitet werden müssen oder sollen, ist es eine Katastrophe. Das dritte große Manko von Textverarbeitungen ist das der Kompatibilität und proprietärer Dateiformate. Haben Sie mal versucht, einen Word-Text aus DOS-Zeiten in einer aktuellen Word-Version zu öffnen? Sehen Sie. Selbst zwischen aktuelleren Word-Versionen von Microsoft gibt es Kompatibilitätsprobleme. Für die Weiterverarbeitung von Dokumenten und ihre nachhaltige, langfristige Speicherung und Nutzbarkeit sind proprietäre Formate kontraproduktiv, und zwar in jeder Hinsicht. Letzteres Problem wird mitterweile immerhin dadurch gemildert, dass sich XML als grundlegendes Dateiformat für Office-Applikationen allmählich durchsetzt. Dies gilt vor allem für OpenOffice.org, aber auch für neue Word-Versionen von Microsoft, das allerdings auch hier sein eigenes Süppchen kocht, sich Standards wie dem OASIS-Format verweigert und das zugrunde liegende Schema nicht veröffentlicht. Generell gilt außerdem, dass durch die Nutzung von XML die beiden anderen oben genannten Probleme nicht automatisch gelöst werden. Nach wie vor finden sich auch im OpenOffice-Format Layout-Anweisungen, und nach wie vor sind Textverarbeitungen sehr komplexe und fehleranfällige Programme, die oft eher vom Schreiben ablenken denn die Konzentration auf Inhalte fördern. Gefordert ist also eine von Hersteller, Plattform und verwendeter Applikation unabhängige Herstellung von Texten, die Inhalt und Layout strikt trennt sowie standardbasiert eine möglichst langfristige und vielfältige Les- und Nutzbarkeit ermöglicht. Das ist aber noch nicht alles. Hinzu kommt ein für 'normale' AutorInnen vielleicht erheblich relevanterer Aspekt: Textverarbeitungen kennen keine Semantik und geben keine (standardisierte) Struktur vor. Ein Absatz kann ein normaler Absatz sein, oder auch die Benennung des Autors, des Datums oder ein Zitat oder anderes im Zusammenhang mit dem Textinhalt Bedeutsames. Im Zentrum steht die Präsentation des Textes, nicht die Bedeutung. Die bleibt letztlich interpretationsfähig und ausschließlich abhängig von der Formatierung und Position im Text. Ebenso beliebig und dem Können (der Willkürlichkeit) der AutorInnen überlassen bleibt damit auch die Textstruktur. Niemand hindert mich daran, innerhalb eines Unterkapitels eine Kapitelüberschrift zu benutzen. Oder in einem Text die Überschriften für Unterkapitel verschieden zu formatieren. Das genau ist das Dilemma von Textverarbeitungen: Struktur und Bedeutungen können nur über die Formatierung vermittelt werden. Sie sind weder eindeutig noch irgendwie standardisiert, erlauben also Fehler und Beliebigkeit und sind außerdem auf die Interpretation durch den Leser bzw. die weiterverarbeitende Instanz angewiesen.

Das Paradigma der gängigen Textverarbeitungen heißt What you see is what you get (WYSIWYG). Aus diesem Paradigma ergeben sich die o.g. Probleme: Im Vordergrund steht die Präsentation, nicht die Struktur und Bedeutung (ganz abgesehen davon ist der Anspruch WYSIWYG natürlich auch nie einzulösen und mit zahlreichen Problemen wie Druckertreibern, fehlenden Schriftarten etc. behaftet). Im Gegensatz dazu steht der hier propagierte Ansatz, für den sich das Kürzel WYSIWYM etabliert hat: What you see is what you mean. WYSIWYM ist von den Programmierern des Latex-Frontends Lyx in die Welt gesetzt worden (LyX is the first WYSIWYM document processor.) und bezeichnet die skizzierte Prioritäten-Verschiebung von der Formatierung zu Inhalt und Struktur. LyX als WYSIWYM-Editor formatiert keinen Text, sondern er strukturiert Text. Was dann bspw. so aussieht: \layout Section* Überschrift \layout Paragraph Hier steht ein einfacher absatz mit viel blödem text. Lyx und Latex sind schon toll, aber XML ist besser. Die Überschrift wird also nicht dadurch zu einer solchen, dass der Text fett und groß formatiert wird, sondern indem ihm diese Funktion explizit zugewiesen wird und erst aus dieser Strukurvorgabe sich - am Ende der Kette - die Formatierung ergibt. Lyx ermöglicht, diesen Code nicht selbst schreiben zu müssen, sondern zeigt dem Benutzer eine einfache Oberfläche, mit der er schreiben und arbeiten kann wie mit der gewohnten Textverarbeitung. Dabei kann er sich konzentrieren auf die Struktur und den Text, die Formatierung erledigt LyX mittels der üblichen LaTeX-Werkzeugkette. Am Ende steht ein sauber strukturiertes und vor allem auch - das ist eben herausragend bei TeX - ein sehr professionell aussehendes Dokument. Aber auf Lyx und LaTex soll hier gar nicht weiter eingegangen werden. Wer primär an einer sauberen, printorientierten und immerhin ansatzweise strukturorientierten Textverarbeitung interessiert ist, sollte LaTeX unbedingt ausprobieren. Auch technikferne AutorInnen in den Geisteswissenschaften können Tools wie Lyx ganz wunderbar und erheblich problemloser als die üblichen Textverarbeitungen benutzen. Es handelt sich um eine sehr ausgereifte Technologie, die man bedenkenlos empfehlen kann. Allerdings ist Latex immer noch primär druckorientiert, eine Weiterverarbeitung in andere Formate wie XHTML, Text, RTF etc. fürs Web oder andere Druckanforderungen ist kompliziert bis unmöglich. Hinzu kommt, dass auch in Tex-Dateien zahlreiche Formatierungsanweisungen enthalten sind (font-klasse, Papierformat etc.). Als universelleres Format für Texte ist deshalb mittlerweile definitiv XML vorzuziehen. XML ist die (Auszeichnungs-)Sprache des Webs und des digitalen Zeitalters. Das kann man ohne allzuviel Pathos sagen, und es braucht hier eigentlich gar nicht weiter auf die Vorzüge eingegangen werden. Entscheidend für unseren Kontext sind vor allem zwei wesentliche Aspekte von XML: die hohe Transformationfähigkeit für verschiedene Ausgabemedien (Print, Web, Mobile etc.) sowie die Flexibilität und Präzision zur Auszeichnung oder auch Semantisierung von Text. Ein Absatz ist explizit genau als solcher erkenn- und lesbar, und zwar für Mensch und Maschine. Gleiches gilt noch viel mehr für mit hohem Bedeutungsgehalt versehenen Informationen, wie z.B. Autorennamen etc. Das obige kleine Beispiel könnte in XML so aussehen: hier steht ein einfacher absatz mit viel blödem text. Lyx und Latex sind schon toll, aber XML ist besser.

]]> Man sieht schon an diesem Mini-Beispiel, dass z.B. die Überschrift als Format sich zwingend aus der Struktur und Auszeichnung als <title> ergibt. Das ist die eigentliche Bedeutung von WYSIWYM und wird hier erheblich konsequenter umgesetzt als bei Lyx und Latex.

Nun ist XML an sich noch gar keine 'Sprache' oder ein System wie z.B. TeX. Es ist eine 'Metasprache', mit der sich für unterschiedlichste Zwecke Sprachen formulieren lassen (XHTML ist z.B. die bekannteste). Rein theoretisch wäre es auch möglich, dass ich mir selbst eine passende XML-Sprache erstelle und mit den entsprechenden Tools (XSLT, XSL-FO) eine entsprechende Transformations- und Publikationskette baue. Freilich muss oder kann mensch aber natürlich das Rad nicht immer wieder neu erfinden. Es gibt bereits einige XML-Sprachen, die speziell für Textpublikation und -verarbeitung in verschiedenen Bereichen gedacht sind. Als erstes genannt werden und in diesem Beitrag noch genauer betrachtet werden soll Docbook. Docbook ist eine XML-Markup-Sprache, die primär für technische Dokumentationen gedacht ist und eingesetzt wird. Also solche ist sie sehr weit verbreitet. Docbook ist sehr mächtig, es lassen sich so ziemlich alle publikationsrelevanten Formate definieren (book, article, slides etc.) und mittels einer speziellen und ebenfalls sehr mächtigen Docbook-XSL in zahlreiche Formate transformieren (PDF, RTF, HTML etc.). Die Mächtigkeit bzw. Vielseitigkeit von Docbook hat zu einer sehr großen Zahl von Elementen geführt. Derzeit sind es ca. 400. Da diese große Zahl für die meisten Dokumente gar nicht unbedingt nötig ist, hat man mit Simplified Docbook versucht, eine abgespeckte Version zu schaffen, die nur noch etwa 100 Elemente enthält. Ein ähnliches Ziel verfolgen Projekte wie tbook, das sich vor allem auf wissenschaftliche Texte konzentriert und mit ca. 80 Elementen auskommt, allerdings wohl auch eher ein Privatprojekt ist. Neuerdings, d.h. seit der Verwendung von RelaxNG als Schemasprache für Docbook, existiert mit docbook tiny eine nahezu geniale Möglichkeit, die Zahl der Elemente von Docbook für den jeweiligen Einsatzzweck anzupassen. Wer will, kann so im Extremfall mit fünf(!) Elementen auskommen und valides Docbook schreiben. Docbook ist der Quasi-Standard, wenn es um technische Dokumentationen, Computerliteratur u.ä. geht, gewinnt aber zunehmend auch an Bedeutung für andere Bereiche. Das liegt auch daran, dass es mittlerweile eine Reihe von Tools und XSL-Dateien gibt, die den Umgang mit und die Transformation von Docbook leichter machen. Inwiefern sich Docbook auch für technikferne Bereiche wie die hier betrachteten Geistes- und Sozialwissenschaften eignet, werden wir unten noch genauer untersuchen. Hier muss noch zunächst noch der zweite Quasi-Standard für Dokument-Auszeichnungssprachen genannt werden, nämlich TEI-XML (www.tei-c.org). TEI-XML ist primär für die Literaturanalyse und -bewahrung konzipiert worden und wird im wesentlichen zur Auszeichnung bereits existierender Literatur (Belletristik, Poesie etc.) verwendet. Es eignet sich deshalb weniger zum Schreiben von wissenschaftlichen Texten. Auch TEI-XML ist im übrigen sehr mächtig und umfasst derzeit sehr viele Elemente. Auch hier gibt es deshalb eine Lite-Version mit reduzierter Elementeanzahl, die - so mein Eindruck - häufiger verwendet wird. Neben diesen sehr umfangreichen und vielseitigen, mächtigen XML-Sprachen könnte man natürlich auch einfach XHTML verwenden. XHTML ist strukturiert, in Maßen transformierbar und - mit etwas Mühe und ordentlichem CSS - sogar für einfache Druckdokumente verwendbar. Hinzu kommt, dass es validierfähige Editoren wie Sand am Meer gibt. Aber XHTML ist zuallererst fürs Web gedacht. Eigentlich sogar ausschließlich dafür. Und deshalb sollte es nicht das primäre Format für strukturierte Texte sein, sondern vielmehr ein Transformationsformat. Hinzu kommt, dass XHTML nur sehr wenig Struktur und Semantik vorsieht. Metadaten lassen sich zwar implizit integrieren (Semantik), aber wer seinen Text bedeutungsvoll codieren will und z.B. in benannte automatische Sektionen strukturieren will, stößt früh an Grenzen. XHTML 1.0 kennt lediglich <h1>-<h6> als Elemente für Überschriften. Das sind - eigentlich ähnlich wie bei den Textverarbeitungen - nicht vielmehr als Formatierungsanweisungen, aber nur indirekt strukturierende Elemente. XHTML 2 wird hier nach heutigem Stand immerhin etwas Abhilfe schaffen und mit u.a. dem neuen Element <section> für mehr explizite Struktur und Strukturierungsmöglichkeiten sorgen. Dennoch sollte XHTML nur für einfache Texte (oder auch Präsentationen) im Netz verwendet werden. Nicht ganz in unseren Fokus passen die neuen XML-Formate der Textverarbeitungen, vor allem von OpenOffice.org bzw. das neue OASIS-Standardformat OpenDocument (das OpenOffice ab Version 2.0 verwendet). Es passt deshalb nicht, weil es lediglich in XML speichert und - wie oben bereits erwähnt - immer noch eher an Formatierung und nicht an Struktur interessiert ist. Das offene(!) XML-Format für Textverarbeitungen ist also zwar ein sehr großer Fortschritt im Hinblick auf Transformatierbarkeit und Offenheit, bietet aber für unsere hier betrachteten Zwecke, nämlich wissenschaftliche Texte im Bereich der Geisteswissenschaften zu schreiben, immer noch zu wenig Struktur und Semantik. Es bleibt also momentan vor allem Docbook. TEI-XML ist wie gesagt eher zur Kodierung bereits vorhandener Texte gedacht und geeignet, auch wenn es vielfach durchaus zum Schreiben eingesetzt wird. Docbook ist primär für Computerdokumentionen erfunden worden, ist allerdings heute auch darüber hinaus vielfach im Einsatz. Eignet es sich für geisteswissenschaftliche Texte?

Betrachtet man die wesentlichen Elemente eines normalen (geisteswissenschaftlichen) Textes, lässt sich bei Docbook kein Mangel feststellen. Es gibt Absätze (<para>), Abschnitte (<section>), entsprechende Titel (<title>), Zitate (<quote>) und sogar Fußnoten (<footnote>) sowie Bibliographien (<bibliography>), die sich mittlerweile auch mit externen Programmen verwalten und integrieren lassen (s.a. Open Source Literaturverwaltung). Das alles (es gibt natürlich noch weitere nützliche Elemente) reicht für einen Standard-Text in den Geisteswissenschaften völlig aus. Gleichzeitig wäre aber bereits ein Dokument mit diesem kleinen und sehr leicht erlernbaremWenn ein entsprechender Editor eingesetzt wird, braucht mensch die Elemente noch nicht einmal selbst lernen, auch wenn das natürlich keinesfalls schadet. Siehe zu den Editoren folgenden Abschnitt. Satz von Elementen erheblich leichter transformierbar und semantisch wertvoller, als mit üblichen Textverarbeitungen hergestellte. Nehmen wir als Beispiel einen simplen Artikel, der z.B. so aussehen könnte. XML und Docbook in Sozial- und Geisteswissenschaften Dr. Hendrik Bunke

Duis autem vel eum iriure dolor in hendrerit in vulputate velit esse molestie consequat, vel illum dolore eu feugiat nulla facilisis at vero et accumsan et iusto odio dignissim qui blandit praesent luptatum zzril delenit augue duis dolore te feugait nulla facilisi. Lorem ipsum dolor sit amet, consectetuer adipiscing elit, sed diam nonummy nibh euismod tincidunt ut laoreet dolore magna aliquam erat volutpat.

....weiterer Text....