Kapitel 6

Umwandlung der gegeben Daten in SGML/XML-Form

In diesem Kapitel beschreibe ich die Schritte zur Umwandlung der gegebenen Texte über makroökonomische Modelle in eine für IP4W3 geeignete Form. Zentrale Bedeutung kommt dabei der strukturellen Analyse zu (Abschnitt 6.2), die zum Entwurf von Auszeichnungen für die Dokumente führte (Abschnitt 6.4).

6.1 Ausgangsdaten

Die gegebenen Texte wurden mit der Macintosh-Textverarbeitung WriteNow geschrieben. Da keine Informationen über das Dateiformat dieses Programms verfügbar waren³³, wurde die Exportfunktion in das Rich Text Format (RTF) [MSFT94] benutzt.

Als erschwerend stellte sich heraus, daß ein großer Teil der Daten aus Grafiken bestand, die nach dem RTF-Epxort als Windows Metafile (WMF) in die Texte eingebettet waren. Dabei handelte es sich neben Abbildungen vor allem um komplexe mathematische Funktionen. Einfache Symbole wie Exponenten und Indizes waren hingegen durch Hoch- bzw. Tiefstellen von Textzeichen eingegeben worden.

Die Texte enthielten ausschließlich typografische und visuelle Auszeichnungen, jedoch keine Metadaten, die logische Informationen über Textabschnitte hätten liefern können.

6.2 Strukturelle Analyse

Die Analyse der gegebenen Texte wurde von mir anhand der gedruckten Bücher [UEBE92] und [UEBE95] durchgeführt. In den Dateien vorhandene Auszeichnungen trugen nicht zur Strukturierung und Auszeichnung der Texte bei. Das größte Problem bestand bei der Analyse darin, daß ich aufgrund des schwierigen und für mich weitgehend unverständlichen Inhalts nicht in der Lage war, den Inhalt so stark zu berücksichten, wie es sinnvoll gewesen wäre. Diese Arbeit kann nur mit einem guten Verständis des Textes geleistet werden. Ein weiteres Hindernis war, daß eine informelle Beschreibung von mathematischen Gleichungen, von Tabellen und von Grafiken fehlte. Soweit es die gedruckte Form betrifft, ist das auch selbstverständlich, da z.B. Grafiken das Verständnis bei einem fachkundigen Leser fördern und eine zusätzliche verbale Erläuterung meist nicht notwendig ist. Möchte man jedoch eine Begriffsuche etwa in Gleichungen durchführen, so ist eine solche Beschreibung unbedingt notwendig, da die Suche andernfalls beispielsweise schon an abweichenden Variablennamen scheitert. Beschreibungen dieser Art sollten nach Absprache mit dem Autor von ihm eingebracht werden. Zum gegenwärtigen Zeitpunkt ist das Textmaterial in dieser Hinsicht immer noch verbesserungswürdig. Die Folge ist, daß die Suche in Gleichungen momentan gar nicht möglich ist, beziehungsweise keine brauchbaren Ergebnisse liefert.

Bei meiner Analyse habe ich mich darauf konzentriert, die Struktur der Textes, d.h. die Elemente auf den höheren Hierarchieebenen, zu erkennen und Auszeichnungen sowie deren Abhängigkeiten zu definieren. Auf den tieferen Ebenen, also auf Block- und Zeichenebene, habe ich versucht, so viel Metainformation in die Auszeichnungen zu bringen, wie an der gedruckten Vorlage und mit begrenztem Verständnis möglich war. Die von mir vorgeschlagenen Auszeichnungen sind in tabellarischer Form im Abschnitt 6.4 zu finden.

Als abschließende Bewertung läßt sich zur Analyse folgendes sagen: Die Struktur des Textes läßt sich auch ohne Verständnis hinreichend gut erfassen. Zur Definition von Suchmustern und Atomen ist diese Strukturierung ausreichend, wie die Tests gezeigt haben. Die Auswahl der Zielelemente ist jedoch nach einer Auszeichnung ohne Textverständnis meiner Meinung nach nicht ausreichend. Der Qualitätssprung, der bei einer angemessenen Behandlung des Textes zu erwarten ist, läßt sich nur durch fachlich kompetente Annotationen erzielen. Dies gilt umso mehr bei fehlenden Informationen, wie den oben angesprochenen Gleichungsbeschreibungen.

6.3 Umwandlung

Wegen der fehlenden logischen Metadaten war eine automatische Konvertierung in SGML/XML nicht möglich. Nach der zuvor beschriebenen strukturellen Analyse habe ich Auszeichnungen festgelegt, die von einem Mitarbeiter des Autors, Herrn Götz Uebe, in den Text eingearbeitet wurden. Die so aufbereiteten Texte habe mit den enthaltenen Grafiken per RTF-Import in Word eingeladen.

Überraschenderweise erwies sich die Umwandlung der WMF-Grafiken als ein unerwartet großes Problem, da viele Programme dieses Format nur unzureichend unterstützen. Letzlich habe ich die Exportfunktion für die WWW-Ausgabe von Word benutzt. Da kein bekannter Web-Browser das Format WMF beherrscht, hatte ich die Hoffnung, daß Word eine Konvertierung durchführt. Tatsächlich liefert Word eine Ausgabe im Graphic Interchange Format (GIF), was von jedem graphischen Browser angezeigt wird.

Die manuell bearbeiteten Texte habe ich auf fehlerhafte Auszeichnungen hin untersucht. Einige Fehler ließen sich automatisch beheben, da sie in immer gleicher Form auftraten. Zu diesem Zweck habe ich die Programme sed und lynx zu Hilfe genommen³⁴. In einem letzten Schritt habe ich verbliebene Fehler unter Verwendung eines SGML-Parsers und -Editors manuell entfernt. Zusammenfassend läßt sich sagen, daß der Prozeß der Umwandlung ein aufwendiger, aber unbedingt notwendiger Schritt war.

6.4 Auszeichnungen

Dieser Abschnitt enthält die Auszeichnungen, die ich zusammen mit einer Beschreibung für die Aufbereitung der Texte geschrieben habe. Im wesentlichen handelt es sich um drei Stufen: Struktur des Buches, Elemente auf Block- und Elemente auf Zeichenebene.

Buch-Struktur

<Buch> 
      <Titelei>, <Rumpf>, <Anhangteil> 
<Titelei> 
      enthält Vorwort usw. 
<Rumpf> 
      ein oder mehrere Kapitel 
<Anhangteil> 
      <AnhangKeywords>, <AnhangModelle>, 
      ggf. weitere <Kapitel> 
<Kapitel> 
      <Ueberschrift>, ein oder mehrere <Keywords>, 
      ggf. einleitender Textblock, ein oder mehrere
      <Abschnitte> 
<Abschnitt> 
      <Ueberschrift>, ggf. einleitender Textblock, 
      ein oder mehrere <Unterabschnitte> 
<Unterabschnitt> 
      <Ueberschrift>, ein oder mehrere Textbloecke 
<AnhangKeywords> 
      <KeywordEintrag> 
<AnhangModelle> 
      <ModellTabelle> 

Blöcke und Zeichenelemente
Innerhalb von (Unter-)Abschnitten ist der Text in Blöcke unterteilt. Sie zeichnen sich durch eine vertikale Abgrenzung aus (vertical flow). Beispiele für Blöcke sind Absätze, Tabellen, Definitionen, Abbildungen, Aufzählungen usw.

Innerhalb eines Blocks gibt es die feinste Strukturierung in Form von Zeichenelementen. Dies sind Elemente, die einzelne Worte, Sätze usw. markieren. Beispiele für Zeichenelemente sind Hervorhebungen, Keyword, Acronyme, Modellname, Zitate usw.

Die folgenden Tabellen nennen alle Blöcke und Zeichenelemente, aber auch Merkmale, an denen ein Textstück zu erkennen ist. Um das Verständnis zu verbessern, habe ich die Bedeutung einer Auszeichnung angegeben.

6.5 DSSSL-Rumpf zur Transformation in HTML

Als Teil meiner Diplomarbeit habe ich ein DSSSL-Programm geschrieben, das Instanzen der Uebe-DTD in HTML transformiert. Es übernimmt innerhalb von IP4W3 die Rolle des DSSSL-Rumpfes. Ein Listing des DSSSL-Stylesheets ist in Abschnitt B.3 zu finden.