Textkodierung

Bei der Textkodierung stellt sich zunächst die Frage, wie kodiert werden kann. Hierfür gibt es 4 Varianten:

  • Text als Ton
  • Text als Bild
  • Text als Zeichen
  • Text als Struktur

In der Vorlesung haben wir uns besonders mit der Variante Text als Zeichen befasst. Der Computer kann nur Zahlen verarbeiten und durch Kodierung werden diese Zahlen dann zu Zeichen, also eigentlich zu Buchstaben umgewandelt. Jeder dieser Buchstaben hat einen sogenannten „Codepoint“. Das heißt, ihm wird ein Wert zugeteilt. Diese Kodierung, nennt man „Zeichensatz“. Der älteste Herstellerübergreifende Standard ist „ASCII 7“ (American Standard Code for Information Interchange). Die Zahl 7 steht hierfür für 7bit. Weil der Computer nur die Zahlen 1 und 0 kennt, rechnet man 27 und das ist 128. Das heißt der Computer kann 128 Zeichen wahrnehmen und in Buchstaben umwandeln. Das reicht für das englische Alphabet in Groß- und Kleinbuchstaben, Zahlen, Satzzeichen und ein paar Sonderzeichen. Weil logischerweise der Computer aber auch Sonderzeichen aus anderen Sprachen kennen muss, hat man noch 1bit dazugefügt und aus ASCII 7 ASCII 8 geamcht; das bedeutet im Endeffekt kann der Computer 255 Zeichen „lesen“ und umwandeln. ASCII 7 war der erste „Zeichensatz“.

Wir können von Glück sprechen, dass 1989 eine Gruppe den Unicode-Zeichensatz, welcher der heutige internationale Standard ist, entwickelt hat. Die erste Version dieses „Zeichensatzes“ wurde 1991 abgeschlossen und seitdem hat sie sich die Basisdefinition nicht mehr verändert, auch wenn immer wieder neue Zeichen aufgenommen werden. Unicode kann Zeichen ausdrücken, die bis zu 32bit enthalten, das sind 4 Milliarden Zeichen und davon sind bisher erst 113.021 Plätze belegt.

 

Jetzt kommen wir zur eigentlichen Kodierung, denn es gibt unterschiedliche Möglichkeiten um einen Text zu bearbeiten. Diese sind:

  • Textannotation: Die Textannotation ist wie eine Fußnotenverknüpfung. Allgmeiner ist die Definition: „Annotation ist der Vorgang, bei dem Wissen über ein Objekt explizit mit diesem verbunden wird.“ Dies kann beispielsweise durch Kommentare am Rand des Textes, Bildunterschriften oder Markierungen geschehen.

Von Gérard Genette (1987) stammen die beiden folgenden Begriffe:

  • Paratext: Unter Paratext versteht man Veränderungen am Text, die die Autorin/der Autor selbst vornimmt, um den Leser zu lenken hervorzuheben. Diese können das Titelblatt, fette oder kursive Stellen, eine Widmung oder ein Katalogeintrag sein. Sie ergänzen und begleiten den Basistext.
  • Metatext: Der Metatext wird von anderen Personen hinzugefügt und können Randbemerkungen, Markierungen, Lesezeichen oder Kommentare sein. Sie ergänzen und begleiten den Basistext ebenfalls.

Diese Veränderungen führen dazu, dass der Text anders „gelesen“ und wahrgenommen wird. Solche Strukturen sind wichtig, um Texte wissenschaftlich zu nutzen.

So gibt es natürlich Metadaten zu historischen Texten. Diese sind beispielsweise bei einem Buch der Titel, der Name der Autorin oder des Autors sowie das Erscheinungsjahr. Bei Fotos sind diese Metadaten zum Beispiel die/der FotografIn und die Beschreibung. Um diese Metadaten zu standardisieren, haben sich unterschiedliche Vorschläge herausgebildet. Diese sind unter anderem „Dublin Core“ (dublincore.org) und die „Text Encoding Initiative“ (tei-c.org).

 

Zur Annotation gibt es dann auch die technischen Formen, insbesondere, das „markup“. Mit Markup kann man etwas erreichen, was die Abkürzung WYSIWYM trägt, also „what you see is what you mean“ (Im Gegensatz zum WYSIWYG = What You See Is What You Get“). Markup-Sprachen beschreiben die Struktur von Texten (z.B. in ihrer Darstellungsform fett, kursiv, größer, Überschrift,…), aber sie definieren auch die logischen und inhaltlichen Bausteine.

Die bekannteste Metasprache für Markup ist XML (=extensible markup language). Seit ca. 2008 ist sie auch die Standardsprache für Dokumente. Das entscheidende hierbei ist, dass der Code in einer spitzen Klammer (<…>) steht, und der eigentlich Text außerhalb (>…<. Um einen Textbereich zu kennzeichen müssen immer zwei Codes einander entsprechen: <satz>…</satz> sind z.B. der Anfangs- und Endcode, der einen Satz einschließen könnte.Die Sprache hierarchisch aufgebaut, denn man muss erst die innere Klammer schließen, bevor man die äußere schließen kann. XML ist sowohl von der Maschine, als auch vom Menschen lesbar. Außerdem eignet es sich sehr gut als Archivierungsformat, weil jeder Computer in der Lage ist, diese Sprache zu lesen. Ebenfalls kann jeder Webbrowser XML lesen.

Die Dokumentengrammatik ist das Regelwerk, welches die zulässigen Bezeichner des markup festlegt.

Ein Beispiel hierfür ist das Regelwerk der Webdokumente HTML. Es legt z.B. fest, dass man für eine Webseite ein Wurzelelement <html> verwendet, dass diese Webseite Metadaten in einem Element <head> hat, dass darin bestimmt wird, in welchem Zeichensatz die Webseite geschrieben ist (<meta charset=“UTF-8“/>) und dass die Webseite den Titel <title> „digitale:geschichte | Digital Humanities Universität Wien“ trägt.

<html lang=“de-DE“>
<head>
<meta charset=“UTF-8″ />
<title>digitale:geschichte | Digital Humanities Universität Wien</title>
</head>
</html>
  • http://dguw.hypotheses.org/

Klara Klambauer