Digital resources in the Social Sciences and Humanities OpenEdition Our platforms OpenEdition Books OpenEdition Journals Hypotheses Calenda Libraries OpenEdition Freemium Follow us

Kategorie: Tools

Veröffentlicht am

Workshop-Resümee “Hört, hört! Zum Umgang mit Audio in den DH”

Von Vorlesungen aus dem letzten Jahrhundert, griechischer und lateinischer Dichtung bis 1588 sowie Spionageprozessen in der DDR über Hörspiele, Rezitationen vedischer Hymnen in Sanskrit bis hin zu Oral-History-Interviews – die Bandbreite von Audiomaterial im Bereich der Fachwissenschaften und der Digital Humanities ist immens. Jedes Projekt ist auf seine eigene Weise speziell, unterscheiden sich die audiovisuellen Materialien doch in ihrer Charakteristik, ihrem Inhalt, ihrer Qualität und ihrer Quantität. Fällt der Blick auf Schwierigkeiten, Herausforderungen und offene Fragen, zeigt sich jedoch, dass die Forscher*innen und Wissenschaftler*innen, trotz der Unterschiedlichkeit ihrer audiovisuellen Materialien, vielfach vor ähnlichen Problemen und Fragestellungen stehen.

An zwei Nachmittagen im Februar 2023 lud das Team DH@BUW Forscher*innen aus ganz Deutschland zu wissenschaftlichen Gesprächen über ihren jeweiligen Umgang mit Audio- und Videomaterial ein. So entstand zum einen eine kleine, aber informationsreiche Vortragsreihe, in der verschiedene Projekte vorgestellt wurden, und zum anderen ein Austausch über gemeinsame Herausforderungen und bewährte Best Practices. Im Anschluss an eine langjährige Tradition der textbasierten Erschließung geraten nun zunehmend multimodale Objekte in den Blick. Der Workshop zielte darauf ab, verschiedene Projekte und deren spezifische Arbeitsweisen mit nichttextlichen Medienformen kennenzulernen, um im besten Fall voneinander zu lernen. Inwiefern gleichen oder unterscheiden sich die Probleme der jeweiligen Projekte? Gibt es bereits Lösungen? Welche Vorgehensweisen lassen sich auf das eigene Projekt übertragen und welche Anregungen lassen sich finden?

Die DH@BUW arbeitet aktuell an mehreren Projekten, in denen Audiomaterial eine Rolle spielt. So stießen Andreas Mertgens und Enes Türkoğlu im Rahmen des Teilprojekts “The Harold Garfinkel Archive” auf Audioaufnahmen von Vorlesungen des Soziologen Harold Garfinkel (1917-2011), welche bereits transkribiert vorliegen. Die Schwierigkeit liegt hierbei darin, dass Garfinkel die Transkription schon zu seiner Zeit veranlasst hatte und in diese direkt etwa in Form von Korrekturen und Ergänzungen eingriff, sodass die Transkription als Vorlage für weitere Vorlesungsskripte dienen konnte. So stellt sich laut der Referenten zum einen die Frage nach dem Umgang mit Transkripten, die stark von der Tonspur abweichen. Zum anderen zeige sich hier der Bedarf nach einem AI-gestützten System, mit dem es sowohl möglich ist, ein genaues Audio-Transkript automatisch herzustellen als auch, das historische und das neue Transkript mit dem Audio parallel darzustellen.

Anders verhält es sich mit der von Dr. Jennifer Bunselmeier vorgestellten Digitalen Edition der griechischen und lateinischen Dichtungen von Lorenz Rhodoman (1546-1606). Bei diesem Projekt sind logischerweise keine Originalaudioaufnahmen vorhanden. Das Audiomaterial soll erst als Form der editorischen Anreicherung als Lesung des überlieferten Textes produziert werden. Da sich die Edition unter anderem an Lernende der lateinischen oder griechischen Sprache richtet, könne die Vertonung auf Vermittlungsebene dabei unterstützen, Aussprache und Metrik der Verse zu erlernen. Eine offene Frage sei hier, wie eine einfache Umsetzung realisiert werden kann, die für die Nutzer*innen eine unkomplizierte Handhabung gewährleistet, und welche technischen Modelle es dafür bereits gibt.

Beim Stasi-Unterlagen-Archiv im Bundesarchiv in Berlin entwickeln Prof. Daniela Münkel, Dr. Ronald Funke und Dr. Mark Laux unter dem Titel “Töne der Repression” eine Online-Edition aufgezeichneter DDR-Spionageprozesse. Aus dem Bestand von etwa 250 vollständig oder teilweise auf Tonband überlieferten Prozessen aus den Jahren 1952 bis 1989 erfolgt eine wissenschaftliche kommentierte Auswahl, die alle Jahrzehnte der DDR abdecken wird. Das im Vordergrund der Online-Edition stehende Tonmaterial soll zudem mit korrespondierenden Quellen wie Fotografien, Prozessprotokollen und weiteren Akten präsentiert werden. Im Bezug darauf wird bei der Projektkonzeption danach gefragt, was durch das Audio transportiert wird und wie dies hinreichend sichtbar gemacht werden kann. Was wird gesagt? Wie wird etwas gesagt? Wie agieren die Akteure miteinander? Wie klingt die Verhandlung? Dem Verständnis der Projektwissenschaftler*innen folgend, sind in den Tondokumenten im Vergleich zu schriftlichen Überlieferungen zusätzliche Bedeutungsebenen enthalten. So werden Stimmungen und Emotionen, Sprechpausen, Satzabbrüche, Stühlerücken oder auch das Lachen im Publikum wiedergegeben. Als Herausforderung zeige sich in diesem Projekt der Umgang mit der großen Menge des Tonmaterials durch die teilweise bis zu 20 Stunden langen Prozesslaufzeiten. Aus diesem Grund sei auch die Realisierung einer detaillierten Suchfunktion notwendig, mit der nicht nur die sprechenden Personen und ihr Wortlaut, sondern auch parasprachliche Elemente wie die Art des Sprechens, nichtsprachliche Äußerungen oder bestimmte Hintergrundgeräusche gefunden werden können.

Schon nach den ersten drei Vorstellungen von audio- bzw. audiovisuell-basierten Projekten konnten wir feststellen: Trotz der Heterogenität der Editionsvorhaben sind die Fragestellungen und Herausforderungen hinsichtlich des Umgangs mit Audiomaterial ähnlich. Um diese Erkenntnis konstruktiv zu nutzen, wurde vorgeschlagen, konzeptionelle Festlegungen und gemeinsame Begriffe zu schaffen. Diskutiert wurde außerdem die Frage, wie präzise und feingranular Auszeichnungen in der editorischen Aufbereitung von Audiodateien sein sollten. Finde eine allzu kleinschrittige und exakte Auszeichnung statt, so könne darunter die Übersichtlichkeit im Endprodukt und die Aufwand-Nutzen-Relation leiden. Dabei entstehe auch die Frage nach der Objektivität der Auszeichnung. Wird etwa ein Lachen im Audiomaterial nochmals differenziert in beispielsweise theatralisches und herzhaftes Lachen? Konsens besteht darüber, während des Entwicklungsprozesses einer Edition kritisch zu hinterfragen, für welches Forschungsinteresse und Nutzerpublikum die Edition produziert wird, um zu verhindern, sich in der Vielzahl der Möglichkeiten zu verlieren. Stattdessen solle die Zielvorstellung im Blick behalten werden. Indem die Entwickler*innen diese Benutzerperspektive einnehmen, könne ein Mittelweg zwischen einer Vollerschließung und einer bloßen Wiedergabe von Audiomaterial gefunden werden.

Das Dissertationsprojekt von Bastian Politycki mit dem Arbeitstitel “Paul Wühr: So eine Freiheit – Modell einer kritischen Audioedition” ist den bisher vorgestellten Projekten im Prozess der Einbindung von Audiomaterial einige Schritte voraus, indem bereits eine umfassende Datenmodellierung stattgefunden hat. In dieser digitalen Hörspieledition werden skripturale sowie audiophone Dokumente als TEI-XML Dokumente ausgearbeitet. Bei der Transkription des Hörspiels mit XML werden Schnitte, Geräusche, Musik bis hin zu einzelnen Worten kodiert. Die Webanwendung wird mit Svelte(Kit) erstellt. Hier wird der Hör- und Lesetext in Kapitel unterteilt dargestellt. Die Audiospur und deren Transkription laufen beim Abspielen parallel mit. Das Navigieren innerhalb eines Kapitels ist sowohl über das Audio als auch über die Partitur möglich. In einem “Textgenese Lab” lässt sich die Kollation anzeigen, um die Textgenese eines Kapitels darstellen zu können. Die Herausforderungen liegen in diesem Projekt bei der Frage, wie die Nachhaltigkeit der Edition gewährleistet werden kann, sodass sie zitierfähig bleibt. Außerdem gehe es in editorischer Hinsicht darum, in dem Hörspielformat, wie Paul Wühr es vorlegt, den Autor, Werk- und Textbegriff zu bestimmen.

Dr. Thomas Schmidt und Hanna Hedeland konnten den Teilnehmenden bestehende und erprobte Best Practices, Werkzeuge, Workflows und Standards im sprachwissenschaftlichen und sprachdokumentarischen Bereich vorstellen, die auch in der qualitativen Sozialforschung und den Oral History Studies angewendet werden. Neben Archiven für verschiedene Audioaufnahmen – von gesprochenem Deutsch bis hin zu gefährdeten Sprachen – wurde der bewährte Workflow vorgestellt. Bei all den im Folgenden beschriebenen Arbeitsschritten kann auf eine ausgereifte Tool-Unterstützung zurückgegriffen werden. Geprägt von Zyklen und Rückkopplungen enthält der Workflow die Datenerhebung, die Datenerschließung (EXMARaLDA Partitur-Editor), das Datenmanagement (Corpus Manager), die Datenpublikation (ZuMult) sowie die Datenanalyse (EXAKT, ein Analyse- und Konkordanztool von EXMARaLDA). Sprachwissenschaftlicher Standard ist unter anderem, dass alle Datensätze autorisiert sind und dass es eine einheitliche und konsistente Erfassung von Metadaten gibt. Darüber hinaus wurde ein ISO-Standard (ISO 24624:2016 Transcription of spoken language) festgelegt, der auf den Guidelines der TEI basiert. Aus diesem Vortrag ergaben sich die Fragen, ob die vorgestellten Tools generisch oder disziplingebunden sind und welche Potenziale zur Automatisierung noch ausgeschöpft werden können.

Am Ende des ersten Workshop-Tages ist klar: Der Austausch über audiobasierte Forschungsvorhaben und dabei entstehende Probleme ist ein Gewinn für alle Projekte. Die Problemlösungen, aber auch schon die Herausforderungen und Fragen der anderen Workshop-Teilnehmer*innen können auf das eigene Projekt bezogen werden, um passende Anregungen für spezifische Schwierigkeiten zu finden. Allen bisher vorgestellten Projekten sei gemein, dass das Parallelisieren von Handschriften und Audios und die zusätzliche Verbindung mit externen Dokumenten sowohl in technischer als auch methodischer Hinsicht die größten Hindernisse darstellen. Hinzu komme die Komplexität von Audiodateien, die zumeist nicht nur direkt gesprochene Sätze oder Wörter, sondern auch parasprachliche Ausdrucksformen wie Lachen und Husten sowie Hintergrundgeräusche (z. B. Stühlerücken) beinhaltet. Am ersten Workshoptag zeichnete sich die Frage ab, wie all diese Komponenten für die Nutzer*innen einer Edition auf einer Oberfläche modelliert werden können. Der erste Austausch ergab die Erkenntnis, dass die automatische Verbindung von Audio und Text sowie automatisches Transkribieren möglich ist. Außerdem gelte es bei der Arbeit an Projekten wie diesen neben dem Nutzen der Edition kritisch zu hinterfragen, wie ihre Offenheit gewährleistet werden kann, um eine transdisziplinäre Beschäftigung, d. h. Anschlussfähigkeit, zu ermöglichen.

Die DH@BUW beteiligen sich außerdem an dem Akademievorhaben “N. Luhmann – Theorie als Passion”, das Lena-Luise Stahn den Teilnehmenden des Workshops vorgestellte. In diesem Editionsvorhaben werden inbesondere der schriftliche Nachlass, daneben aber auch einige wenige Audioaufnahmen des Soziologen Niklas Luhmann (1927-998) verarbeitet. Hierbei handelt es sich um auditive Dateien, die Mitschnitte der Vorlesungen und Vorträge Luhmanns enthalten. Zum Teil existieren Manuskripte der Vorlesungen, die zukünftig mit dem Audiomaterial verknüpft, dargestellt werden sollen. Der Workflow besteht aus der automatischen Transkription der Audioaufnahmen per sonix.ai und der editorischen Glättung und Bereinigung. Darauf folgt die editorische Anreicherung, die Ergänzung von Literaturhinweisen, eine Kurzbeschreibung sowie Angaben zur Vorlesung bzw. zum Vortrag. Zuletzt werden die Daten manuell in XML/TEI übertragen. Ziel ist es, diesen Workflow zu vereinfachen und die Darstellung und Sprungmarken im Frontend auszubauen. In Frage stehe dabei, ob und ggf. wie Performativität ausgezeichnet und wie mit Abweichungen von Audio- und Manuskripttranskription umgegangen werden kann.

Das Projekt “VedaWeb 2.0. – Entwicklung einer kollaborativen Arbeitsumgebung für altindoarische Texte”, vorgestellt von DH@BUW-Kollegin Anna Fischer, beschäftigt sich mit der Weiterentwicklung einer digitalen Plattform zur Erforschung von Texten oraler Tradition in vedischem Sanskrit. Während aktuell die Bereitstellung neuer Texte und deren Übersetzung sowie die Anreicherung mit Annotationsschichten vorbereitet wird, steht in den kommenden Monaten unter anderem die Kuratierung von Audiodateien im Mittelpunkt, welche Rezitationen vedischer Hymnen enthalten. Ziel ist es im Hinblick auf die Plattform, dass Nutzer*innen angezeigte Textabschnitte (Verse) per Klick anhören können. Aktuell wird geprüft, ob eine automatisierte Kennzeichnung der Sprechpausen den manuell in ELAN erfolgenden Segmentierungsprozess sinnvoll unterstützen kann.  Das besondere Forschungspotenzial des Audiomaterials in VedaWeb liegt darin, lautliche und intonatorische Muster erkennbar zu machen, die in einer rein textbasierten Edition nicht greifbar werden. Daher soll es Nutzer*innen der Plattform auch ermöglicht werden, die Audiodateien für die Weiterverarbeitung exportieren zu können. Hierzu sollen exportierbare Formate nach Praat und ELAN genutzt werden. Wünschenswert sei außerdem die Möglichkeit, Hymnen in der Plattform unabhängig von der verszentrierten Darstellung anhören zu können.

Im Beitrag von Dr. Martha Stellmacher und André Eckardt wurden die gegenwärtigen Vorhaben der Sächsischen Landesbibliothek – Staats- und Universitätsbibliothek Dresden (SLUB) in Bezug auf Digitalisierung und Bereitstellung von audiovisuellen Materialien sowie die Weiterentwicklung von entsprechender Software vorgestellt. Im Rahmen des SAVE-Projekts digitalisiert und publiziert die Bibliothek Audio- bzw. audiovisuelles Kulturgut mit sächsischem Bezug und macht es über die Deutsche Digitale Bibliothek und die Mediathek der SLUB öffentlich zugänglich. Zudem wird fachliche Beratung angeboten, auch durch die an der SLUB angesiedelte Fachstelle Fotografie und Ton der Deutschen Digitalen Bibliothek, die deutschlandweit Institutionen dabei unterstützt, Bild- und Audio-Inhalte zu veröffentlichen. Darüber hinaus stellt die SLUB eine Infrastruktur zur Forschungsunterstützung zur Verfügung. Zum einen wird derzeit die Open-Source-Digtialisierungssoftware Kitodo weiterentwickelt, sodass sie auch als Workflow- und Präsentationstool für digitalisiertes audiovisuelles Material genutzt werden kann, in dem Timespans genau adressiert werden können. Diese Software wird zukünftig (neben der Präsentation der eigenen Sammlungen und der SAVE-Bestände) für das im Aufbau befindliche Audio-Repositorium Musiconn.audio im Rahmen des Fachinformationsdienstes Musikwissenschaft verwendet. Das Repositorium wird Wissenschaftler*innen ermöglichen, musikbezogene audio(-visuelle) Daten, die in Forschungskontexten entstehen und für weitere Forschung langzeitverfügbar sein sollen, zu publizieren. Zum anderen ist die SLUB an der Entwicklung des DFG-Viewers für musikalische Quellen beteiligt, der die kombinierte und synchronisierte Darstellung eines Musikwerks in seinen verschiedenen digitalen Repräsentationen (Notendigitalisat, maschinenlesbarer Notentext in MEI und Audio-/Videofiles) ermöglicht.

In einem letzten Vortrag stellten Herdis Kley und Dr. Cord Pagenstecher von der Freien Universität Berlin das Projekt “Oral-History.Digital“, eine Erschließungs- und Rechercheumgebung für Zeitzeugeninterviews, vor. Dabei handelt es sich um audiovisuelle Interviews als Gegenstand des erinnerungskulturellen Erbes und des kulturellen Gedächtnisses zur Würdigung von Überlebenden, deren Stimmen zu ihrer Zeit nicht an die Öffentlichkeit gelangen konnten. Charakteristisch für diese Interviews ist, dass sie narrative und performative Aspekte transportieren. Im Rahmen des Projekts wird eine Erschließungs- und Recherche-Plattform entwickelt, um diese Interviews wissenschaftlich zu sammeln. So können auch andere Institutionen und Forschungsprojekte ihre Daten archivieren, erschließen, zugänglich machen, annotieren und auswerten, was eine sammlungsübergreifende Recherche ermöglicht. In der Umsetzung wird das Audiomaterial detailliert segmentiert und verschlagwortet. Die Performativität der Interviews wird im Transkript mit aufgezeichnet, da sie aus Sicht der Projektwissenschaftler*innen für die Forschung unbedingt von Interesse sind. Dabei sei es eine Herausforderung, eine Nutzeroberfläche zu schaffen, die eine optimale Darstellung gewährleistet und zugleich Tiefenrecherche ermöglicht. Bei der Arbeit an diesem Projekt wurde festgestellt, dass die Frage danach, was aufbewahrt wird und was nicht, unter anderem von externen Bedingungen abhängig ist. Dieser Entscheidung müsse sich nicht nur die Forschung, sondern auch die Politik stellen.

Der zweite Workshop-Tag hat nochmals verdeutlicht, dass Audiomaterialen in den Digital Humanities als historische Objekte und Teile des kulturellen Erbes in ihrer Vielfältigkeit enorm spezifisch sind. Mit einem kritischen Blick auf die bisherige Erschließungs- und Editionspraxis konnte festgestellt werden, dass der Schwerpunkt bislang stark auf den Text gelegt wurde, wobei audiovisuelle Dateien und auch ein audiovisueller Fokus in einem digitalen Endprodukt weitestgehend außer Acht gelassen wurden. Durch den Workshop ist es gelungen, an die Relevanz von Audio in den Digital Humanities zu erinnern und zu erkennen, dass Tonmaterialien Forschungsräume eröffnen, die neue Forschungsfragen, -interessen und -instrumente zulassen.

Veröffentlicht am

Von der Detektivarbeit einer kodikologischen Novizin: Eine Autopsie der Lagenstruktur Dom. Cod. 83-II 

Janna Schillinger

Da wage ich mich einmal in die kodikologische Forschung hinein und schon sorgt ein spannender mittelalterlicher Codex dafür, dass ich seine Anatomie ergründen will. Hier möchte ich von meiner Reise durch den dunklen Wald der Detailforschung berichten und zeigen, dass in der Geschichtswissenschaft auch mit wenig Erfahrung aufregende Entdeckungen möglich sind.

Um herauszufinden, wie sich Inhalt und lagenstrukturelle Form der Handschrift 83-II aus dem Bestand der Kölner Diözesan- und Dombibliothek zueinander verhalten und ob daraus weitere Erkenntnisse gewonnen werden können, habe ich ihren Aufbau visualisiert und in Relation zu ihrem Inhalt näher untersucht. Mit Hilfe des VCEditors von VISCOLL und den Handschriftenbeschreibungen der Dombibliothek war es mir möglich, die Lagenstruktur für die bevorstehende Detektivarbeit zu modellieren. Die dabei entstandene interaktive Grafik ist unter folgendem Link einsehbar: Visualisierung Cod. 83-II.

Abb. 1 Die Gesamtvisualisierung von Cod. 83-II …ist lang.

Bei der untersuchten Handschrift, die in den Katalogen unter dem Titel Kompendium der Zeitrechnung, Naturlehre und Himmelskunde geführt wird, handelt es sich um einen 219-seitigen auf Lateinisch in karolingischer Minuskel geschriebenen Codex auf Pergament. Er entstand vermutlich in den Jahren 798 und 805 n. Chr. in Köln und wurde von einer noch nicht bestimmten Anzahl an Schreibhänden erstellt. Die zum Zeitpunkt der Digitalisierung durch das DFG-Projekt CEEC (Codices Electronici Ecclesiae Coloniensis) im Jahr 2000 entbundene Handschrift beinhaltet Abschriften von Texten unterschiedlicher Autoren. Darunter befinden sich beispielsweise solche des Bischofs Isidor von Sevilla über Naturphänomene sowie ausführliche Teile des Werks zur Zeiteinteilung und -berechnung von Beda Venerabilis. Gleichsam lassen sich Informationen zu der Kunst der Zeitrechnung entnehmen sowie zahlreiche aufwendig gestaltete Lehrfiguren darin betrachten.

Auf dem Weg zu einer Visualisierung: Die Lagenformel und das Digitalisat

Die Struktur der Handschrift wird in den Katalogen durch sogenannte Lagenformeln beschrieben. Im Katalog Glaube und Wissen findet sich beispielsweise diese Formel: 

„1 1+8+1, 2 4, 3-4 8, 5 6, 6-7 8, 8 6, 9 8, 10 6-3, 11-19 8, 20 4, 21-23 8, 24 4-2, 25-27 8, 28 6+2, 29 8, 30 6+2  “ (van Euw 1998),

während im Anderson-Katalog Folgendes steht:

[7], i 1+8+1, ii 4, iii-iv 8, v 6, vi-vii 8, viii 6, ix 8, x 6-3, xi-xix 8, xx 4, xxi-xxiii 8, xxiv 4-2, xxv-xxvii 8, xxviii 6+2(signature on 6th, two singles at end were previously a separate bifolium), xxix 8, xxx 6+2 (two added at end, signature on 6th), [1]. Quire signatures V, VI, XI, XIII- XXIII, XXVI-XXVIII, XXX(xxix)-XXXI(xxx) visible entire or partly trimmed; XXVIII and XXXI(xxx) on 6th (see collation) (Anderson u. Black 1997) .

Formal setzt sich 83-II aus dreißig Lagen mit zumeist acht Blättern zusammen, wie die Lagenformeln verraten. Deren kryptisches Format zu verstehen, stellte die erste Hürde des Modellierungsprozesses dar. Mit logischem Schlussfolgern war sie jedoch schnell zu überwinden, wobei dennoch Unklarheiten über die Position von hinzugefügten oder fehlenden Blättern innerhalb der jeweiligen Lagen bestanden. Da Cod. 83-II aber im entbundenen Zustand digitalisiert wurde, ließ sich die in der Lagenformel nicht aufgeführte Erklärung zu ihrer exakten Verortung in den Bilddigitalisaten finden. Weil aus diesem Grund Einzel- und Doppelblätter deutlich zu unterscheiden waren, konnten die für die Modellierung notwendigen Informationen in den digitalen Bildern beschafft werden. Darauf aufbauend ließen sich anhand der Sauberkeit jeder Schnittkante und der Vollständigkeit der Texte ebenso eine gewaltsame Entfernung oder allmähliche Erosion als Ursache für fehlende Einzelblätter ausschließen. Vielmehr ist ersichtlich geworden, dass die Einzelblätter ordentlich zurechtgeschnitten und daraus schlussfolgernd bewusst eingefügt oder entfernt wurden.

Das Ermittlerwerkzeug: Der umfangreiche VCEditor von VISCOLL

Abb. 2 VCEditor von VISCOLL im „Visual Mode”

Waren diese Aspekte erst einmal nachvollzogen, konnte ich damit beginnen, die Lageninformationen von Cod. 83-II in den VCEditor zu übertragen. Dies stellte sich als einfacher heraus als zu Beginn des Vorhabens angenommen, da die Editor-Oberfläche sich nicht nur intuitiv und aufgeräumt anfühlte, sondern sich die Verwendungsweise der wichtigsten Funktionen selbst erklärten. Auch tiefergreifende Optionen – wie das effiziente Einbinden der Bilddigitalisate mittels der iiiF-Manifest-URL der Diözesan- und Dombibliothek – ließen sich ohne Schwierigkeiten bedienen. Die Möglichkeit zum Erstellen einer eigenen „taxonomischen Liste“ war zudem hilfreich.

Abb. 3 Taxonomien in VISCOLLs VCEditor

Darunter versteht VISCOLL die Möglichkeit zum Anlegen eigener Beschreibungen, wodurch sich bestimmte Blätter gezielt mit Begriffen (terms) wie Autorennamen oder Titeln versehen lassen. Auf diese Weise können zudem beispielsweise sämtliche in der Handschrift eingetragenen Autorennamen sowie ihre Position in der Visualisierung angezeigt und nachvollzogen werden. 

Abb. 4 Unklare Autor-Titel-Beziehung in Lage xii

Es wäre allerdings hilfreich, wenn beispielsweise Titel-Autor-Begriffspaare auch als einander zugehörig angegeben und nicht als lose Einzeltags an den Blättern erscheinen würden. Zudem ließ sich die Reihenfolge der terms nicht beeinflussen, weshalb die Beziehung der angehefteten Begriffe zueinander manchmal nicht eindeutig ist (z.B.: Blatt 84 (L84)–Blatt 88 (L88)). Die Implementierung einer Option zur Definierung klarer Eigenschaft-Wert-Paare könnte ein Lösungsansatz sein.

Als weiterer Kritikpunkt sei allerdings zu nennen, dass sich die Reaktionsgeschwindigkeit des webbasierten Editors mit der Zeit immer weiter verlangsamte, je mehr Informationen hinzukamen. Denn obwohl er bis zu etwa der 17. Lage flüssig lief, verzögerten sich Eingaben von dieser Lage an immer stärker bis beispielsweise das Anhängen von Begriffen auf Blättern unterer Lagen schließlich bis zu zwölf Sekunden in Anspruch genommen und so den Arbeitsfluss erheblich beeinträchtigt hat.

Hinsichtlich der Beschriftung lässt sich diskutieren, ob jedes Blatt mit Autor und Titel benannt werden sollte oder es der Übersichtlichkeit dienlich wäre, nur exakt das Blatt zu etikettieren, auf dem ein neues Kapitel startet. Bei mehreren auf einer Seite beginnenden und endenden Kurzkapiteln wäre in einem solchen Fall die Zuordnung und Chronologie jedoch unklar, vor allem in Hinblick auf die Einschränkungen des VCEditors bezüglich der term-Reihenfolge. 

Ich persönlich denke stark in optischen Mustern, sodass mir der Umfang eines jeden Kapitels durch ein gleiches Betitelungsschriftbild direkt klar wird, weshalb ich mich für die durchgängige Beschriftung entschieden habe. Allerdings musste ich dabei darauf achten, mich nicht zu sehr zu einer Missachtung des Inhalts verleiten zu lassen.

Letztendlich entstand jedoch eine Lagenvisualisierung, anhand derer sich der inhaltliche wie strukturelle Aufbau miteinander in Verbindung setzen und deren Zusammenspiel beobachten ließ. Zu Beginn dieser Reise durch die Anatomie von Cod. 83-II bestand die Erwartung, dass sich durch den Inhalt der Blätter einer Lage Schlüsse daraus ziehen lassen könnten, warum sich bestimmte Anordnungen auffällig gestalten. So könnte sicherlich nachvollzogen werden, wo Nachträge eingeschoben wurden oder warum bestimmte Blätter fehlen. Rückschlüsse wären beispielsweise darüber möglich, ob sie aus Gründen persönlicher Gesinnung willentlich entfernt oder etwa durch eine inhaltlich begründbare häufige Verwendung zur vollständigen Herauslösung erodiert sind. Im Fall von Cod. 83-II allerdings war die Ursache auch mit der Visualisierung nicht immer eindeutig auszumachen oder mit seinem Inhalt zu begründen, vor allem da es mir noch immer an ausreichendem kodikologischen Erfahrungswissen mangelt.

Auffälligkeiten in der Lagenstruktur von Cod. 83-II

Bei einer Betrachtung der Gesamtvisualisierung fällt zunächst auf, dass einundzwanzig Lagen der achtblättrigen Struktur folgen. Zwei weitere Lagen schließen sich ihnen durch ihre zwei additiven Einzelblätter an (xxviii und xxx). Zudem wird das Muster immer wieder von kleineren Lagen mit vier oder sechs Blättern unterbrochen. Umschlossen wird die gesamte Ordnung zu Beginn und am Ende jeweils von einem Einzelblatt. Längere Abfolgen gleichartiger Blattgruppierungen lassen sich nur bei Lagen wie xi bis xix oder xxv bis xxvii feststellen. Die restlichen Lagen weisen Besonderheiten auf, die sich teilweise aber nicht immer inhaltlich begründen lassen.

Ob das einzelne Vor- und Nachsatzblatt aus Papier jeweils als eigenständige Lage berücksichtigt werden sollten, bleibt allerdings zu diskutieren. Auf der einen Seite sind sie keine Segmente des Haupttextes einer Handschrift, sondern eine Form ihrer Präsentation und bestehen wie in diesem Fall oft aus einem abweichenden Material. Auf der anderen Seite werden sie in den Katalogen dennoch gesondert in der Formel aufgenommen, wenn auch nicht mitgezählt. Zudem sind sie ein Teil des aktuellen Ist-Zustandes einer Handschrift, auch wenn sie weder als Lage im eigentlichen Sinn zu verstehen sind noch in der Lagenzählung inkludiert werden.

Bei der Visualisierung von Cod. 83-II habe ich ihre Aufnahme in Form einer Lage deshalb gewählt, weil im VCEditor zurzeit keine losen Blätter vor einer Lage eingefügt werden können, ohne ihnen eine eigene Lage zuzuweisen.

Das hat jedoch zur Folge, dass die Lagenzählung in dem Endprodukt von der Zählung der Lagenformeln der Kataloge um zwei divergiert, was zu Verwirrung bei der Untersuchung der Lagenstruktur führen kann. Zum besseren Verständnis habe ich die Lagen in dieser Visualisierung ab Quire 2 zusätzlich mit bei i beginnenden fortlaufenden römischen Ziffern versehen, die in der folgenden Diskussion Verwendung finden sollen.

Abb. 5 Lage i

Bereits Lage i hebt sich von ihren Folgelagen ab, da sie unter anderem insgesamt aus zehn Blättern besteht, was in dieser Handschrift einen Einzelfall darstellt. Das erste Blatt (L2) der Lage, auf dem sich ein Bucheignerzeichen Erzbischof Hildebalds lesen lässt, ist als eine an L3 angefügte Ergänzung zu betrachten und ist kein Teil eines Doppelblatts. Dies ist inhaltlich nachvollziehbar, da es sich als eine Art nachträglich angebrachtes Namensschild präsentiert. Darauf folgt ein regulärer Quaternio (vier Doppelblätter), der mit einem Vorwort Hieronymus‘ und Eusebius‘ zu der christlichen Geschichtsschreibung beginnt. Letztere geht ab der Rectoseite von L6 (5r) in einen Teil der Weltchronik Bischof Isidors über, die sich wiederum noch bis auf die Versoseite von L13 (12v) in Lage ii erstreckt. Auffällig ist, dass mit L11 innerhalb der Lage auch ein Blatt zu finden ist, das laut der Anderson-Katalogbeschreibung als zur originalen Lage zugehörig anzusehen sei (vgl. Anderson u. Black 1997), jedoch ein Einzelblatt darstellt. Dank des gleichen Autors und Werks schließen sich 10v und 11r trotz der Besonderheit aneinander an, sodass Lage ii schließlich nach einer Ergänzung mit historischen Daten aus Köln enden kann. Inhaltlich lässt sich die Position des Einzelblatts daher nicht erklären, weil es sich um eine in sich geschlossene Ordnung handelt. Unterstützt wird diese Deutung auch durch den Katalog Glaube und Wissen, der hierzu formuliert: „Die beiden ersten Lagen (2r–14v) bilden formal und inhaltlich eine Einheit“ (van Euw 1998).

Rätselhaft ist dennoch, warum das Einzelblatt ursprünglich eine einzelne Lage i gebildet haben soll, wenn es sich inhaltlich bereits mitten in Isidors Weltgeschichte zu befinden scheint. Gleiches gilt für das Einfügen der vier Doppelblätter zuvor, die inhaltlich ein volles Vorwortkapitel beinhalten und mit „Chronicon“ noch ein weiteres Kapitel beginnen. Ist es hier vielleicht möglich, dass diese Kapitel traditionell gemeinsam auftraten? Das würde jedoch den Bereich der Koüberlieferungsverhältnisse antasten. Aufgrund des Umfanges kann dem in dieser Untersuchung nicht nachgegangen werden. 

Die obige Problematik bliebe auch bestehen, falls es sich stattdessen bei L11 um die in der Lagenformel beschriebene Addition handelt und L2 dafür das native Blatt darstellt. In diesem Fall würde sich allerdings die Frage auftun, warum das Einzelblatt ausgerechnet an das Ende von Lage i und nicht etwa an den Beginn von Lage ii angefügt oder thematisch abschließend nach 12v eingesetzt wurde, wenn es inhaltlich dazu doch keine Vorgaben zu geben scheint. Trotz der Auffälligkeiten liegt daher der Verdacht einer zufälligen Zusammensetzung von Lage i und ii nahe.

Zwei mögliche Ursachen lassen sich jedoch als Gegenargumente für eine solche Beurteilung einbringen. Zum einen wäre der Wechsel von Schreiberhänden, der nach dem Anderson-Katalog in 83-II generell zwischen den Lagen vollzogen werde (vgl. Anderson u. Black 1997), möglicherweise ein Grund dafür. Eventuell wurde separat und zu mehreren Personen gleichzeitig an den Abschriften gearbeitet, wodurch sich die Stückelung erklären würde. Auf den ersten Blick erscheinen beispielsweise die linken Striche des Buchstaben x auf Folium 11r länger als bei dem gleichen Buchstaben auf 10v, doch nach einem näheren Studium lassen sich auch auf 10v solche längeren Striche finden, was das vermeintliche Indiz für unterschiedliche Schreiberhände schwächt. Da zu den Händen von Kodikolog*innen keine detaillierten (Positions-)Angaben gemacht werden und sich die Schriftbilder von 10v und 11r für das ungeübte Auge zu ähnlich sehen, kann ich keine fundierte Aussage darüber treffen. 

Zum anderen könnte eine Ursache darin liegen, dass die in der Lagenformel beschriebene Addition von acht und einem Blatt zeitlich vor dem Beschreiben mit der Abschrift Isidors vollzogen worden ist, sodass sich die inhaltliche Kontinuität trotz besonderer Form dadurch ergibt. Möglicherweise war nur ungefähr, jedoch nicht genau bekannt, wie viele Blätter für die Abschrift tatsächlich benötigt werden würden. Das Einzelblatt könnte als Erweiterung eingefügt worden sein, anstatt noch einen neuen Ternio (drei Doppelblätter) oder Quaternio zu beginnen, von denen unbeschriebene Blätter wieder hätten entfernt werden müssen. Um Material zu sparen, wurde vielleicht auf ein verfügbares Einzelblatt zurückgegriffen. Doch auch dafür stehen mir nicht genügend Informationen zur Validierung bereit. Abschließend klären lässt sich die auffällige Struktur von Lage i daher noch nicht. 

Auf Lage ii folgen zwei regelmäßig achtblättrige Lagen, die sich den mathematischen Grundlagen sowie der Entwicklung der Zeitrechnung widmen. Es schließt sich daran Lage v mit nur sechs Blättern an. Da diese Lage allerdings mit den Ausführungen über die Astronomie eines unbekannten Autors endet, lässt sich als Ursache annehmen, dass lediglich nicht mehr Blätter für ihre Abschrift benötigt wurden und das Kapitel bereits in dieser Länge geplant wurde. Wenn man die Kapitel und die von ihnen behandelten Themengebiete genauer betrachtet, findet sich darin eine inhaltliche Strukturierung, die diese Annahme stützen kann.

Aus den 30 Lagen ergeben sich inhaltlich folgende 12 Blöcke. Block I (1r–14v, Lage 1–2) behandelt den chronistischen Teil der Handschrift. Block II (15r–36v, Lage 3–5) dagegen umfasst Kapitel zur Mathematik, Zeitrechnung und Astronomie, während sich Block III (37r–44v, Lage 6) mit dem Mondzyklus beschäftigt. Daran schließt sich der vierte inhaltliche Abschnitt an (45r–58v, Lage 7–8), welcher der Lehre der Zeitrechnung gewidmet ist. Es folgen Block V (59r–69v, Lage 9–10) mit Vorschriften sowie Block VI (70r–85v, Lage 11–12) mit Berechnungstabellen, Kalendern und „Rechenrädern“.

Abb. 6 „Rechenräder“ auf den Folia 81v, 82v und 85v (v.l.n.r.). Quelle: Digitalisat der Diözesan- und Dombibliothek.

Der siebte inhaltliche Block (86r–125v, Lage 13–17) gebührt Beda Venerabilis mit Anleitungen zur Zeit- und Osterberechnung, während im Folgeabschnitt Isidor von Sevilla über die Naturphänomene spricht (126r–145v, Lage 18–20). Thematisch knüpft Block IX (146r–171v, Lage 21–24) über Himmelserscheinungen daran an. Außerdem ist ein zehnter Inhaltsabschnitt (172r–187v, Lage 25–26) auszumachen, innerhalb dessen Traktate und Briefe gesammelt sind. Die letzten beiden Einteilungen können zwischen 188r bis 203v (Lage 27–28) sowie 204r bis 219v(Lage 29–30) getroffen werden. Während in dem ersten Block noch weitere Korrespondenzen aufgeführt sind, wird die Handschrift in dem letzten Abschnitt mit Saturnalien, Zyklen sowie einem kleinen Anhang abgeschlossen.

Da die Lagen iii bis v strukturell genau zu dieser Einteilung passen, ist es also gut möglich, dass von Anfang an genau 22 Blätter für sie eingeplant wurden (Inhaltsblock II).

Gleiches trifft auf die Lagen viii und xx zu. Beschreibstoffe waren im späten 8. Jahrhundert ein kostbares Gut und eine effiziente Verwendung darum vor allem bei Pergament wirtschaftlich. Allerdings scheint die Notwendigkeit dazu bei Cod. 83-II nicht allzu groß gewesen zu sein, da bis auf L1 alle 219 Pergamentblätter in dem verhältnismäßig großen Format von etwa 37 mal 27 Zentimetern ohne auffällige Materiallöcher zugeschnitten sind. Daher lässt sich davon ausgehen, dass entsprechende finanzielle Mittel sowie hochwertiges Material bei der Anfertigung zur Verfügung standen. Der Hinweis, dass es sich bei der Handschrift laut dem Katalog Glaube und Wissen außerdem um eine von Erzbischof Hildebald in Auftrag aufgegebene Kommissionsarbeit handle (vgl. van Euw 1998), passt dazu. Dennoch scheint auch bei Cod. 83-II auf unnötiges Material verzichtet worden zu sein, wie den sauberen Schnittkanten der Blätter nach zu urteilen ist.

Es stellt sich dann jedoch die Frage, ob die insgesamt fünf abgetrennten Einzelblätter stattdessen für die fünf Einzelblattergänzungen in den betreffenden Lagen verwendet wurden. Obwohl die gleiche Anzahl auffällig ist, spricht zumindest für zwei von ihnen das Folgende dagegen (L208 f.). Beide Einzelblätter sollen laut der Lagenformel des Anderson-Katalogs ursprünglich einmal ein verbundenes Doppelblatt – also vor ihrer Teilung eine Einheit – gewesen sein (vgl. Anderson u. Black 1997). Ob einige der übrigen Einzelblätter jedoch einmal zusammengehörten, lässt sich nur mittels einer eingehenderen Materialanalyse feststellen, die Struktur, Alter oder chemische Zusammensetzung untersucht. Für einen Laien ergeben sich zwischen den verbliebenen und den eingefügten Einzelblättern zwar teilweise übereinstimmende Maserungsähnlichkeiten an den Falzrändern, allerdings könnte es sich dabei ebenso um eine trügerische Wunschwahrnehmung handeln. 

Weil die Befestigung eines Einzelblatts außerdem erfordert, dass es ein wenig breiter ist als ein halbes Doppelblatt, ließe sich die These noch besser durch Ausmessen der in diesem Fall entbundenen Einzelblätter widerlegen. Beispielsweise sind die Blätter L208 und L209 ungefähr 27 Zentimeter breit, während bei den anderen Doppelblättern wie L206 von ihrem Rand bis zur Mitte der Falz nur etwa 26,5 Zentimeter zu messen sind. Das macht es unwahrscheinlich, dass sie ehemalig Teil eines Doppelblatts gewesen und abgetrennt in anderen Lagen als Einzelblätter eingefügt worden sind.

Abb. 7 Lage xxviii

Die Addition von zwei dieser Einzelblätter in Lage xxviii bleibt rätselhaft, da sie sich mit den Ausführungen des Pseudo-Hieronymus oder Pseudo-Columban zu Diskussionen über Fest- und Samstage beschäftigen, wie es auch das letzte Blatt der Originallage tut (L207). Abgesehen von der erneuten Möglichkeit unterschiedlicher Schreiberhände, könnte die Notwendigkeit bestanden haben, den Text durch die Ergänzung noch einmal zu erweitern. Fraglich ist dann jedoch, ob der Platzmangel nicht schon vor der Abschrift abzusehen gewesen wäre und nicht direkt ein Quaternio dafür hätte gewählt werden können.

Dass sich diese beschriebenen Blätter außerdem einmal an einer anderen Stelle in der Handschrift befunden haben könnten, ist auszuschließen, da sie sich thematisch zu sehr an die heutige Lage xxviii angliedern und sie außerdem eine inhaltliche Einheit mit dem vorherigen Blatt L207 bilden. Es könnte jedoch sein, dass L207 zuvor noch unbeschrieben war und nachträglich mit der Festtagsdiskussionen befüllt wurde, zwei Folia jedoch nicht ausreichten, weshalb noch zwei weitere Blätter hinzugefügt werden mussten. Da sich dann allerdings mit dem noch unbeschriebenen L207 einmal ein ganzes leeres Blatt am Ende der Lage xxviii befunden haben müsste, ist diese Theorie sehr unwahrscheinlich.

Der Grund für die Teilung des laut Lagenformel ursprünglich separaten Doppelblattes, um als zwei Einzelblätter am Ende der Lage xxviii angefügt zu werden, verwundert zusätzlich. Es könnte sein, dass beide Blätter lokal separiert voneinander beschrieben worden sind, bevor sie an die inhaltlich passende Lage angehängt wurden. Der Nachtrag musste eventuell zeitlich schnell fertiggestellt werden, weshalb eine Arbeitsteilung für drei Einzelblätter gewählt wurde. Hierfür mangelt es aber erneut an Schreiberhandinformationen.

Abb. 8 Lage xxx

Bei Lage xxx dagegen ergibt sich anhand der Inhaltsbeschriftung in der Strukturvisualisierung eine naheliegende inhaltliche Begründung. Es handelt sich dabei um die Ergänzungen zu den Zeitrechnungen von Bischof Isidor sowie um eine Urkundenabschrift, die inhaltlich abgegrenzte, unterschiedliche Einschübe darstellen. Sie sind in ihrer Natur bereits als Nachträge zu werten, weshalb sich ihre Addition in der Lage inhaltlich erklärt.

Fazit

Alles in allem lässt sich sagen, dass sich die Lagenstruktur von Cod. 83-II mithilfe der Lagenformel in Verbindung mit der Handschriftenbeschreibung und dem Bilddigitalisat gut in dem leicht zu bedienenden VCEditor von VISCOLL verbildlichen ließ. Für mich ist der Editor ein empfehlenswertes Instrument mit einem so großen wie praktischen Funktionsumfang, dass sich die Anwendung hervorragend für die Modellierung und Präsentation von Lagenstrukturen eignet. Dank ihm konnte ich die Strukturvisualisierung beispielsweise mit inhaltlichen Begriffen anreichern, sodass sich nicht nur eine optische, sondern auch eine inhaltliche Übersicht beschreiben ließ, um diese näher zu untersuchen. 

Die Arbeit mit dem VCEditor war daher essenziell, um die inhaltliche Struktur der Handschrift verstehen, ihre Konzeption entdecken und ihren Auffälligkeiten nachgehen zu können. Sie konnte mir als Novizin außerdem als Stütze für die zahlreichen Überlegungen auf der Spurensuche dienen, sodass mir der Arbeitsprozess nicht nur erleichtert wurde, sondern ich ihn auch besser reflektieren konnte. 

Dadurch wurden einige Besonderheiten des Lagenaufbaus deutlich, die jedoch nicht immer mit inhaltlichen Aspekten erklärt werden konnten. In einigen Fällen half dabei die im Verlauf entdeckte Einteilung der Handschrift in ihre inhaltlichen Lagenblöcke, die einen Aufschluss darauf geben konnte, warum welche Lagen mit wie vielen Blättern gestaltet und wie sie im Voraus geplant wurden. Es waren also vielseitige Entdeckungen darüber möglich, wie Handschriften an der Wende vom 8. zum 9. Jahrhundert konzipiert und ihre Lagen strukturiert wurden.

Die Visualisierung mit dem VCEditor könnte darüber hinaus zum Ausgangspunkt vieler weiterer Untersuchungen oder Modellierungen werden. Beispielsweise ließen sich die herausgearbeiteten Inhaltsblöcke samt ihren dazugehörigen Lagen und Kapiteln einmal übersichtlich präsentieren. Eventuell könnte das in der Form geschehen, die Jana Klinger für Cod. 83-II gewählt hat.

Abb. 9 Visualisierung der Inhaltsblöcke von Cod. 83-II von Jana Klinger

Eine solche Visualisierung in Verbindung mit den Erkenntnissen aus der VISCOLL-Modellierung könnte weitere Entdeckungen und Aufschlüsse ermöglichen. Dem einmal näher nachzugehen, stelle ich mir spannend vor, da die inhaltliche Einteilung in meiner Untersuchung in ein paar der besonderen Fälle für mehr Klarheit sorgen konnte.

Einige Befunde blieben trotzdem rätselhaft. Aufgrund von fehlenden Beschreibungen und Informationen besonders zu den Wechseln von Schreiberhänden und in Ermangelung spezifischer Kompetenzen ließen sich ihre Ursachen lediglich diskutieren und Vermutungen zu ihnen aufstellen. Abschließend klären ließen sie sich jedoch nicht – es bleibt für mich ein kodikologisches Rätsel, das darauf wartet, gelöst zu werden.

Verwendete Quellen und Literatur

Veröffentlicht am

Word validieren mit Schematron?

Wie kann eine Worddatei validiert werden, sodass daraus erfolgreich projektspezifisches TEI-XML transformierbar ist?

von Dr. Jennifer Bunselmeier

Abstract: Um aus einer Worddatei per XSL-Transformation saubere TEI-XML generieren zu können, müssen die Dateien vorgegebene Formatierungsregeln genau einhalten. Wie kann dies sichergestellt und eine kontextabhängige Qualitätskontrolle durchgeführt werden? Ich teste zwei Möglichkeiten: das Onlinetool Data2Check und ein projektspezifisches Schematron, das auf der Word-XML aufsetzt. Hier ein Zwischenbericht.

Die Frage der Nutzer(un)freundlichkeit von digitalen Tools ist ein Dauerthema in der DH-Community. Die editorische Arbeit in unserem Projekt startete 2012 unmittelbar in den XML-Dateien. Diesen Arbeitsmodus empfanden die EditorInnen jedoch auch nach mehrjähriger Einarbeitungszeit als aufwändig, unkomfortabel und vor allem als extrem störend für den geisteswissenschaftlichen Denk- und Arbeitsfluss. Sie fühlten sich in ihrer editorischen Arbeit mehr behindert als unterstützt.

Als Zugeständnis an die Kodierenden, die sich bei der Arbeit ein etwas wohlgefälligeres Layout wünschen, bei dem der Lesefluss nicht durch XML-Tags im Text gestört wird, hätte sich ein Wechsel zum Oxygen-Autormodus mit einem projektspezifischen Framework (oder angelehnt an Ediarum). Diese Option wurde jedoch seinerzeit aus verschiedenen insbesondere strukturellen Gründen nicht gewählt.

Stattdessen arbeiten die EditorInnen jetzt in Word. Da eine docx-Worddatei im Hintergrund auf XML basiert, kann sie durch eine Transformation, z. B. per XSL oder XQuery (Word2TEI-Transformation), in das gewünschte Zielformat TEI-XML übersetzt werden.1 Dieses TEI-XML wird dann über weitere Skripte in HTML transformiert und in der Onlineedition angezeigt. Auf diese Weise können die EditorInnen in der vertrauten graphischen Wordoberfläche arbeiten und das Ergebnis direkt in der Onlineedition veröffentlicht sehen, ohne selber mit den XML-Dateien arbeiten zu müssen.

Unabdingbare Voraussetzung für eine erfolgreiche Transformation von Word-XML zu TEI-XML sind allerdings klare 1:1 Übersetzungsregeln. Das bedeutet, für jedes Phänomen und jede Formatierung in Word muss festgelegt sein, in welches TEI-Element es übersetzt werden muss. Umgekehrt muss jedes TEI-Element des Projekt-Datenmodells eine eindeutige, identifizierbare Entsprechung in der Worddatei haben. 

Inzwischen hat sich dieser Word2TEI-Workflow im Projekt etabliert, weist allerdings drei große Schwachstellen auf, für die in naher Zukunft eine Lösung gefunden werden muss.

1. Viele Transformationsschritte  – viele Fehlerquellen


Abb. 1   Der Word2TEI-Worfklow im Projekt. Die EditorInnen sehen nur das Eingangsformat Word und das Endergebnis in der Onlineedition, nicht die Schritte dazwischen. Das erschwert die Fehlersuche.

Zwischen dem Ausgangsmaterial (formatierte Worddatei) und dem Endprodukt (HTML-Seite in der Onlineedition) stehen viele komplexe Arbeitsschritte und Skripte, was die Fehlersuche sehr aufwändig macht, falls das Resultat nicht den Erwartungen entspricht.

Ein typisches Beispiel: Die EditorInnen edieren in Word, starten die Transformation und bekommen eine HTML-Seite in der Onlineedition angezeigt. Dort fehlt der erwartete Titel des edierten Textes. Wieso erscheint er nicht in der Ausgabe, obwohl er in der Worddatei steht? Liegt der Fehler in den Anzeigeskripten? In den Transformationsskripten? Oder in der Worddatei?

Die häufigste Ursache: Der Titel wurde in Word versehentlich falsch formatiert, z. B. mit der Formatvorlage „Titel“ und nicht mit der Formatvorlage „Überschrift1“. Die Transformationsskripte übersetzen aber nur Text in der Formatvorlage „Überschrift1“ (nicht „Titel“) in das dafür vorgesehene TEI-Element <title>. Für die Onlineanzeige laufen anschließend weitere XSL-Skripte. Diese übersetzen normalerweise <title> in das HTML-Element <h1>. Da aber <title> im TEI-XML aufgrund der falschen Formatvorlage gar nicht erst kodiert wurde, wird es auch in der HTML-Version nicht als <h1> angezeigt. Im besten Fall wird es in der Onlineanzeige als „normaler“ Text innerhalb von <p> übernommen, im schlechtesten Fall gar nicht visualisiert.

 


Abb. 2       Eine falsche Formatierung in Word führt zu einer fehlerhaften HTML-Anzeige. Für die EditorInnen ist dieser Fehler in Word oft nur schwer zu erkennen, er offenbart sich erst ganz am Ende des Workflows in der fehlerhaften Onlineanzeige.

2. Formale vs. semantische Kodierung

Word kodiert nach Formateigenschaften, nicht semantisch. Das bedeutet, alle Textportionen, die exakt dieselben formalen Eigenschaften aufweisen, werden in einem Element zusammengehalten. Ob diese Textportionen auch semantisch zusammengehören, spielt dabei keine Rolle. Umgekehrt können Textportionen, die semantisch zusammengehören, aufgrund formal unterschiedlicher Eigenschaften getrennt voneinander kodiert werden. Formateigenschaften, die zu einer getrennten Kodierung führen, können z. B. sein:

  • Absatz
  • geschütztes (oder anderweitig wichtiges) Leerzeichen
  • Wechsel der Schriftschnitte/-arten/-größen
  • Wechsel der Sprache
  • einsetzende/endende Unterkringelung von Wort(-teilen) durch die Grammatik- oder Rechtschreibkorrektur

Einige dieser formalen Trennungen sind für die Weiterverarbeitung nützlich (z. B. können semantisch relevante Passagen gut durch unterschiedliche Schriftschnitte voneinander getrennt werden), andere sind irrelevant und müssen im Rahmen der Transformation bereinigt werden (z. B. Texttrennungen nur aufgrund von Rechtschreibfehlermarkierungen).

Um saubere, sinnvolle TEI-XML-Dateien zu generieren, muss die rein formale Kodierung der Word-XML also zunächst um irrelevante Informationen und Inhalte bereinigt und dann anhand der verbleibenden Formalia in eine semantische Kodierung übersetzt werden. Je komplexer die TEI-Zielkodierung ist, desto stärker ist die Transformation auf ein gut organisiertes Zusammenspiel von projektinternen Absatz- und Zeichenformatierungen, Positionierungen und Formulierungen innerhalb von Textstrings angewiesen.

Ein Beispiel: Eine typische kritische Fußnote wie „am Rand hinzugefügt lorem ipsum B“ soll übersetzt werden in eine TEI-Lesartenkodierung:

<app>
	<lem/>
	<rdg wit="#B">
		<add place="margin">lorem ipsum</add>
	</rdg>
</app>

Listing 1 Eine Lesartenkodierung nach TEI, generiert aus einer Word-Fußnote

Bei diesem Transformationsbeispiel werden verschiedene Formatinformationen ausgewertet:

  • Das Format „Fußnote“, beginnend mit kursiviertem Text, weist auf eine Kodierung zur Textkritik hin (anders z. B. Sachanmerkungen, die als Fußnote in recte gesetzt wären). Die gesamte Fußnote wird daher übersetzt in <app><lem/><rdg/></app> (und nicht z. B. in <note type=“footnote“/>).
  • Der kursivierte Textstring selbst entspricht einer von mehreren möglichen standardisierten textkritischen Wendungen. Eine Liste aller Wendungen und ihrer TEI-Entsprechungen ist bei der Transformation hinterlegt. So wird „am Rand hinzugefügt“ übersetzt in <add place=“margin“>, weitere Beispiele wären „im Korrekturverzeichnis hinzugefügt“ in <add type=“corrigenda“> oder „gestrichen“ in <del>.
  • Der Text „lorem ipsum“ in recte beinhaltet den eigentlichen Textinhalt, der innerhalb von <add place=“margin“> stehen soll.
  • Der Textinhalt endet, sobald nach einem Leerzeichen eine weitere kursivierte Passage folgt. Diese wird als Bezeichnung des Textzeugen interpretiert und dem umgebenden <rdg/>-Element als @wit-Attribut beigegeben.
  • Da es sich um eine Hinzufügung in einem anderen als dem Haupttextzeugen handelt, bleibt das <lem/> leer.
Abb. 3   Eine Fußnote kann anhand verschiedener Formatinformationen in eine TEI-Lesartenkodierung übersetzt werden

Dieses Beispiel verdeutlicht die Wichtigkeit exakt eingehaltener Vorgaben. Schon kleine Fehler wie das versehentliche Nicht-kursivieren des Textzeugen oder ein Tippfehler in der standardisierten Wendung können zu falschen Kodierungen führen.

3. Zu viele Freiheiten in Word

Ziel des Word2TEI-Workflows ist es, den EditorInnen zu ermöglichen, die beiden Schritte „freies, kreatives geisteswissenschaftliches Arbeiten“ und „Glätten und Einpassen in ein einheitliches, projektspezifisches Format“ nicht mehr gleichzeitig durchführen zu müssen. Stattdessen sollen sie diese nach eigenen Präferenzen in den Arbeitsablauf einbauen können. Das strukturelle Arbeitsumfeld von Word ist jedoch primär auf die Anforderungen des ersten Schrittes ausgelegt und bietet kaum Unterstützung für den zweiten Schritt.

Das Problem: In Word kann, anders als in XML, kein Schema eingebunden werden, das die Schreibenden direkt warnt, wenn sie etwas formulieren oder formatieren, was nicht den Projektregeln entspricht und in dieser Form entweder gar nicht oder auf eine nicht gewollte Weise transformiert würde.

Erschwerend kommt bei unserer Hybridedition hinzu, dass die Worddateien nicht nur die Grundlage für die XML-Dateien bilden, sondern auch als Basis für die Erstellung einer Printedition durch eine Setzerei verwendet werden. Das bedeutet, die Worddateien müssen gleich zwei formalen Ansprüchen genügen: 1. Die Formatierung muss in einer Art und Weise vorliegen, dass die Dateien problemlos in ein fehlerfreies TEI-XML-basiertes Datenmodell transformiert werden können. 2. Die Dateien aller BearbeiterInnen müssen ein einheitliches Format aufweisen und den Anforderungen an ein Druckmanuskript entsprechen, sodass beim Satz keine arbeitsaufwendige und kostenintensive Nachbearbeitung erfolgen muss.

Die Lösung für alle drei genannten Schwachstellen ist eine möglichst frühzeitige Qualitätskontrolle der Ausgangsdokumente. Ich habe zu diesem Zweck zwei Möglichkeiten getestet.

Möglichkeit A – Das Wordvalidierungstool Data2Check

Abb. 4 Data2Check – ein leicht zu bedienendes, individuell konfigurierbares Onlinetool. [Quelle: https://www.data2check.de/documentation/doku-word.html#regeln]

Vielversprechend ist das Tool Data2Check.

Data2Check ist ein komfortables, leicht bedienbares und individuell konfigurierbares frei zugängliches Onlinetool, mit dessen Hilfe man u. a. prüfen kann, ob Worddateien einer festgelegten Struktur folgen oder eine vorgegebene Terminologie verwenden. Ein Vorteil für EditorInnen: Erkannte Fehler können unmittelbar als Kommentar in der Worddatei zurückgegeben werden.

Das Tool kann Formatvorlagenabfolgen (Absatz und Zeichen) prüfen, z. B.:

  • Nach jeder Formatvorlage „Überschrift1“ muss genau einmal die Formatvorlage „Absatz ohne Einzug“ folgen.
  • Jedes Dokument muss (genau) eine Formatvorlage „Überschrift1“ und (mindestens) eine Formatvorlage „BearbeiterIn“ enthalten.
  • In der Formatvorlage „Zitat“ sind keine Zeichenformatvorlagen (Kursivierung etc.) erlaubt.
  • Bilder und/oder Tabellen sind nie erlaubt usw.

Spezielle Formulierungen sind per String oder Regular Expression (RegEx) suchbar, anzeigbar oder sogar direkt ersetzbar, z. B.:

  • Alle Dokumente sollen die Schreibweise „Onlineedition“ verwenden. Andere (explizit anzugebende) Schreibungen wie „online Edition“, „Online Edition“ oder „Online-Edition“ werden „angewarnt“ oder direkt ersetzt.
  • Datumsangaben müssen einem bestimmten Format entsprechen usw.

Ein absolut empfehlenswertes Tool!

Leider ist es für unsere Zwecke nicht weitreichend genug, denn: String-/RegEx-Abfragen und Formatvorlagen können nicht kombiniert geprüft werden. Genau das führt bei unserer Transformation aber oftmals zu Fehlern, denn die TEI-Elemente werden oft auf Basis von standardisierten Formulierungen innerhalb bestimmter Formatvorlagen generiert. So sind Wörter wie „gestrichen“ in einer Fußnote explizite Marker für eine ganz bestimmte Kodierung und ähnliche, aber falsche Formulierungen wie „durchgestrichen“ sind an dieser Stelle nicht erlaubt – an anderen Stellen im Text sind jedoch natürlich beide Wörter zugelassen, weil sie dort keine (oder eine andere) Funktion haben.

Möglichkeit B – Schematron für Word-XML

Da Word-XML auf XML basiert, ist es möglich, die Datei außerhalb des Wordprogamms zu validieren, noch bevor sie transformiert wird. Dabei soll sichergestellt werden, dass…

  1. alle Konstellationen, Formulierungen und Formatvorlagen, auf die die Transformationsskripte zugreifen, korrekt verwendet wurden,
  2. die EditorInnen so früh wie möglich eine Rückmeldung erhalten, wenn und wo(!) Fehler auftreten, die die Transformation stören oder verhindern.

Um XML-Dateien nicht nur rein syntaktisch, sondern auch kontextabhängig zu prüfen, bietet sich Schematron an. Dazu wird die Worddatei direkt im Oxygen-Editor geöffnet und mit einer Schematron-Schemadatei validiert.

Die ersten Versuche sind sehr vielversprechend.

Beispiel Titelei – Struktur gut prüfbar

Was mit Schematron sofort gut funktioniert, sind strukturelle Abfragen auf Formatvorlagenebene ohne (oder mit nur minimaler) Textbeteiligung.

Das obige Beispiel mit der fälschlich verwendeten Formatvorlage „Titel“ statt „Überschrift1“ lässt sich z. B. gut abbilden. Wenn an bestimmten Stellen im Dokument nur bestimmte Formatvorlagen erlaubt sind, kann für die Word-Kodierung der Formatvorlagen (<w:pStyle w:val=“…“>) in einem Schematron-<assert>-Test einfach eine feste Liste an Attributwerten für @w:val vorgegeben und jede Abweichung angewarnt werden.

Ein anderes Beispiel: alle unsere Worddateien müssen mit vier Absätzen in einer bestimmten Formatvorlage und mit standardisierten Angaben beginnen (Titel, BearbeiterIn, Datum und projektinterne Textnummer). Aus diesen werden wichtige Angaben für den <teiHeader> generiert. Danach folgt eine Leerzeile ohne Formatvorlage. Die ersten vier Absätze sind aufgrund der festgelegten Reihenfolge und des standardisierten Inhalts (u. a. ein festes Zahlenformat) gut prüfbar. Für die Leerzeile greift ein einfacher <report>-Test der sicherstellt, dass der fünfte Absatz im Dokument keinerlei Formatvorlagen-Styleinformationen und keinen Text enthält. Fehlt diese Leerzeile, scheitert die Transformation komplett, da die unmittelbar nachfolgende Struktur darüber entscheidet, welche Transformationsskripte angewendet werden und welche nicht, weshalb diese Prüfung besonders wichtig ist.

Beispiel Spracheinstellung und Sonderzeichen – Transformationsskripte entlasten

Da die Wordprogramme der EditorInnen in sehr unterschiedlichen Sprachen eingestellt sind, weisen die Dateien mitunter unterschiedlich benannte Word-Formatvorlagen auf (Überschrift1, Heading1, Titolo1,…) oder verschiedene per Autokorrektur ersetzte Anführungszeichen (typographische, französische,…). Diese Details sind für die EditorInnen nur schwer zu bemerken, führen jedoch zu großen Transformationsproblemen.

Aktuell müssen die Transformationsskripte deshalb per <choice>-Test vieles abfangen, was bei einer einheitlichen Formatierung in Word nicht nötig wäre.

Wird diese Art der Qualitätskontrolle aus den XSL-Transformationsskripten ins Schematron verlagert, ist das nicht nur methodisch sauberer, sondern entlastet zusätzlich die XSL-Skripte, macht sie weniger fehleranfällig und steigert dafür deren Performanz. Darüber hinaus sind Kleinigkeiten wie eine einheitliche Verwendung der Anführungszeichen für ein sauberes Druckmanuskript ebenfalls wichtig.

Beispiel Stringabfragen – Schematron um individuelle Funktionen erweiterbar

Die oben erwähnte Zerstückelung des Textes aufgrund formaler Kriterien führt dazu, dass String- oder RegEx-Abfragen beim Prüfen der Word-XML nicht ohne Weiteres funktionieren.

Glücklicherweise sah sich der Kollege, der seinerzeit die XSL-Skripte für die Word2TEI-Transformation geschrieben hat, mit demselben Problem konfrontiert. Seine Lösung: er hat XSL-Funktionen geschrieben, mit denen sich das Word-XML leichter parsen lässt.2 Darunter auch eine Funktion, die die Textblöcke wieder zusammensetzt, sodass Stringabfragen möglich sind. Auf diese Funktionen kann auch Schematron aufbauen, sodass eine Kombination von Formatvorlage und String abfragbar ist.

<xsl:function name="wt:string" as="xs:string">
	<xsl:param name="context" as="item()*"/>
	<xsl:value-of select="string-join($context//w:t, '')"/>
</xsl:function>
<pattern id="standardisierte_Wendungen">
	<rule context="w:footnote/w:p[w:r/w:t]">
		<let name="string" value="wt:string(.)"/>
		<report test="not(starts-with($string,'am Rand hinzugefügt') or starts-with($string,'gestrichen'))" role="warning">Bitte standardisierte Formulierung in der krit. Anm. prüfen.</report>
	</rule>
</pattern>

Listing 2 Eine XSL-Funktion wt:string() setzt die Word-Textblöcke aus w:t per string-join() zusammen. Die Funktion kann in einer Variablen oder direkt im <report>-Test aufgerufen werden.

Ein bislang ungelöster Schönheitsfehler ist die Genauigkeit in der Fehlermarkierung. Da derartige Abfragen den gesamten Inhalt von w:p (also einem Absatz) als String ansetzen und nur ein boolesches „String-enthält“ / „String-enthält-nicht“ zurückgeben, wird bei einer Fehlermeldung folglich der gesamte Absatz als fehlerhaft markiert, nicht eine konkrete Tippfehler-Stelle. Insbesondere bei längeren Abschnitten wäre eine präzisere Lokalisierung wünschenswert.

Ein Problem bleibt – zurück zum Oxygen

Für die EditorInnen dürfte der Anblick von Word-XML eine noch abschreckendere Wirkung haben als die Code-Ansicht von TEI-XML. Wie sollen Schematronwarnungen in Word-XML dabei helfen, in Word das eine Spatium zu finden, das versehentlich in der falschen Formatvorlage formatiert ist?

Lösung: Doch der Autormodus

Die erste und einfachste Möglichkeit ist die Anzeige der Word-XML in einem sehr einfachen Autormodus ohne komplizierte CSS-Stilanweisungen, in dem die fehlerhafte Stelle vom Schema möglichst präzise markiert wird. Die EditorInnen können die markierte Textstelle dann in ihrer Worddatei suchen und dort die Formatierung überprüfen. Diese Option nutzen wir aktuell und sie wird als durchaus zumutbar empfunden. Da kein projektspezifisches Framework verwendet wird, werden jedoch Auszeichnungen wie Kursivierung nicht wiedergegeben.

Abb. 5 Die Anzeige von Word-Fußnoten im Oxygen-Autormodus. Das Schematron warnt die falsche Formulierung „durchgestrichen“ an (richtig wäre „gestrichen“).

Vision: Schematronfehlermeldungen in Word zurückspielen

Eine elegante Lösung wäre ein Zurückspielen der Schematronfehlermeldungen in die Worddatei in Form eines Kommentars, wie es bei Data2Check möglich ist. Einen solchen Weg hat Colin Mackenzie auf der XML Prag (Februar 2020) vorgestellt3: Mithilfe einer XProc Pipeline4 können alle notwendigen Schritte automatisch nacheinander ablaufen: „Word.zip entpacken à Word-XML validieren à Schematronfehlermeldungen über XSL in Worddatei einfügen“. Ob sich diese Vorgehensweise auch für unser Projekt als effizient und praktikabel erweist, muss noch getestet werden.

Zwischenfazit zu Wordvalidierungstools

  Pro Contra
Data2Check
  • sehr einfach zu konfigurieren
  • grobe Struktur gut prüfbar
  • globale String- und RegEx-Abfragen möglich
  • Fehlermeldung direkt in Word möglich
  • Kombination von Stringabfrage und Formatvorlage nicht möglich
  • Regeln für komplexe Schachtelungen von Formatvorlagen nur bedingt möglich
Schematron
  • deutlich komplexere Abfragen und Konfigurationen möglich als bei Data2Check
  • erweiterbar um QuickFixes (Tauglichkeit noch zu prüfen)
  • Typisierung der Fehler in Error und Warnung möglich
  • alle Regeln in den Transformationsskripten können einzeln schon vorab geprüft werden, da mit XPath und den Funktionen dieselbe Sprache verwendet wird
  • Qualitätskontrolle (i.S.v. typische Fehler abfangen) muss nicht mehr in den XSL-Skripten während der W2T-Transformation stattfinden
  • Stringabfragen nur durch Erweiterung um eigene Funktionen möglich (dann aber Kombination von Stringabfrage und Formatvorlage möglich)
  • Fehlermeldung (erstmal) nur im Word-XML (=Oxygen-Autormodus) möglich
  • Word-XML (erstmal) nicht im Ganzen validierbar (da Text, Fußnoten, Endnoten und Kommentare jew. als einzelne XML gespeichert werden)

 

  1. Die Transformation muss nicht zwangsläufig selbst geschrieben werden, der TEI-Onlineservice OxGarage bietet automatische Transformationen für eine Vielzahl an Ausgangs- und Zielformaten an, darunter Word zu XML, TEI-XML oder Verbatim-XML. Die individuellen Projektanforderungen, insbesondere hinsichtlich der Transformation der Apparate, erforderten jedoch komplexere Eingriffe, als dies mit OxGarage möglich ist, daher wurde dieser Service nicht gewählt. [↩]
  2. Zur Dokumentation siehe Dario Kampkaspars GitHub-Repository; Zusammenstellung aller Funktionen hier. [↩]
  3. Mackenzie, Colin: Use cases and examination of XMLtechnologies to process MS Worddocuments in a corporate environmentToolset to test and improve the quality and consistency of styling in MS Word. (Vortragsmaterialien hier) [↩]
  4. XProc ist eine XML-Sprache, die die Stapelverarbeitung beliebig vieler Eingangsdokumente (z.B. XML-Dateien) durch beliebig viele automatisch nacheinander ablaufende Verarbeitungsschritte (z.B. XSL-Transformationen oder Schematron-Validierungen) ermöglicht. [↩]
Veröffentlicht am

Docker für die Digital Humanities

von Stephan Makowski

Manchmal möchte ich schnell mal etwas testen. Da ich regelmäßig mit Softwarelösungen arbeite, die hauptsächlich unter Linux laufen, setze ich mir für Testzwecke eine virtuelle Maschine auf. Das geht, ist aber recht ressourcenhungrig. Egal, ob unter Hyper-V oder Virtual Box. Möchte ich mehr als zwei Maschinen gleichzeitig laufen lassen, hat mein Rechner irgendwann eben keinen Speicher mehr. Also muss ich mir etwas anderes einfallen lassen.

Die beste Lösung hierfür ist ohne Zweifel ein Docker-Setup. Bei Docker handelt es sich um eine Containerlösung. Vereinfacht gesagt bedeutet das, dass auf dem Host ein Dockerservice installiert wird. Nach der Installation können beliebig viele (je nachdem, was der Rechner/Server so hergibt) Web-/Mailserver, Datenbanken, WordPressinstanzen, etc. gestartet und gemanaged werden. Eine Übersicht über die möglichen Container, die unter Docker laufen, ist auf Docker Hubs zu finden.

Das Schöne daran ist: Die meiste Software, z. B. Apache, MySQL oder Neo4J, ist direkt ohne weitere Programmierkenntnisse einsetzbar. Die Container werden runtergeladen, individuell konfiguriert und in der Dockerumgebung gestartet. Klingt einfach? Ist es auch. Wer mir nicht glaubt, kann das hier direkt mal nachlesen.

Docker compose – dein Freund und Helfer

Inwiefern ist das also auch für die Digital Humanities interessant? In etlichen Bereichen werden NoSQL Datenbanken wie eXist-db oder BaseX eingesetzt. Auch diese Datenbanken sind bereits als vorbereitete Dockerimages zu haben. 

Möchte man solch eine Konfiguration öfter mal testen, tut man gut daran, eine sogenannte docker-compose-Datei zu schreiben. Hierbei handelt es sich um eine Art Beschreibung, welches Image Docker laden soll und wie dieses zu konfigurieren und zu starten ist. 

Im Juni 2021 wurde eine neue NoSQL-Datenbank mit dem Namen FusionDB veröffentlicht. Zu Testzwecken habe ich hierfür eine docker-compose-Datei erstellt, die ich im Folgenden präsentieren möchte:

version "3"
services:
  fusiondb:
    image: fusiondb
    build:
      context: ./conf
      dockerfile: ./Dockerfile
      args:
        PASSWORD: ${PASSWORD}
        INIT_MEMORY: ${INIT_MEMORY:-256}
        MAX_MEMORY: ${MAX_MEMORY:-2048}
        CACHE_SIZE: ${CACHE_SIZE:-256}
        COLLECTION_CACHE: ${COLLECTION_CACHE:-256}
        LUCENE_BUFFER: ${LUCENE_BUFFER:-256}
        HTTP_PORT: ${HTTP_PORT:-4059}
        HTTPS_PORT: ${HTTPS_PORT:-5059}
        SERVER_NAME: ${SERVER_NAME:-localhost}
    volumes:
      - data:/opt/fusiondb/fusiondb-server-1.0.0-ALPHA1/data
    ports:
      - 4059:4059
      - 5059:5059  
    container_name: fusiondb
    restart: always
    networks:
      - www
    labels:
      - "traefik.backend=fusiondb-backend"
      - "traefik.docker.network=www"
      - "traefik.frontend.rule=Host:fusiondb.stephan-makowski.de"

volumes:
  data: {}

networks:
  www:
    external:
      name: ${TRAEFIK_NETWORK:-www}

docker-compose.yml

In dieser Datei soll ein Dienst mit dem Namen fusiondb erstellt werden. Hierfür gibt es (noch) kein fertiges Image, sodass dieses vorab erstellt werden muss. Die Anweisungen, welche und wie eine Erstellung vorgenommen werden soll, befinden sich in der Datei “Dockerfile” (s. unten). 

Ein wichtiger Vorteil von Docker ist die EInrichtung sogenannter Volumes. Hierbei handelt es sich um (permanente) Verzeichnisse, die zur Laufzeit innerhalb des Containers gemounted werden. Es sind sozusagen Ordner, die an einer bestimmten Stelle eingehangen werden. An dieser Stelle soll das Volume data an das Verzeichnis /opt/fusiondb/fusiondb-server-1.0.0-ALPHA1/data angehangen werden. Wozu? Die Volumes können vom Host gesichert werden. Außerdem wird so sichergestellt, dass die Daten persistent vorgehalten werden. Ohne solch ein Volume würde bei jedem Start der Ursprungszustand des Images wiederhergestellt werden. Das ist bei Datenbanken etwas unpraktisch.

Die meisten Dienste im Internet sind über Portangaben zu erreichen. Für die Internetseiten ist es meist der Port 80, der als Standard für alle eingehenden Http-Anfragen genutzt wird. Der Service fusiondb soll allerdings auf eingehende Anfragen auf den Port 4059 (http) sowie 5059 (https) lauschen. Die Angaben können hier ganz leicht gesetzt werden. Oft kommt es aber vor, dass zwei unterschiedliche Dienste denselben Port nutzen. In diesem Fall kann in der Datei eine Zuweisung vorgenommen werden, welcher Port alternativ abgehört werden soll. Die Notation hierfür ist:

-ports:
     – externer Port: interner Port


Damit wird eine Art Weiterleitung eingerichtet, die für jeden Dockercontainer genutzt werden kann.

Die folgenden Definitionen geben an, wie der Service heißt, welches interne Routingnetzwerk genutzt werden soll und ob ergänzende Informationen benötigt werden. In meinem Fall habe ich noch Angaben für den Routerservice Traefik gemacht. Abschließend folgen die Definitionen der Netzwerke sowie der Volumes. An dieser Stelle sei auf die gute Dokumentation von Docker verwiesen.

Wenn man kein Image hat, baut man sich halt eines

Wie bereits erwähnt, gibt es derzeit für fusiondb noch kein Dockerimage. Da ich dieses aber gern testen wollte und für zukünftige Updates bereits vorbereitet sein möchte, erstelle ich mir das Image selbst. 

Im Grunde folgt die Datei dem Aufbau:

    • Welche Basis soll benutzt werden?
    • Was soll innerhalb der Basis gemacht werden?
    • Wie ist das Image ansprechbar und wie soll Docker die Inhalte ansprechen?
ARG BASE_CONTAINER=ubuntu:latest
FROM $BASE_CONTAINER

LABEL maintainer="Stephan Makowski <stephan.makowski@rub.de>"

USER root

ENV JAVA_TOOL_OPTIONS="-Dfile.encoding=UTF-8"

ARG PASSWORD
ARG INIT_MEMORY=256
ARG MAX_MEMORY=2048
ARG CACHE_SIZE=256
ARG COLLECTION_CACHE=256
ARG LUCENE_BUFFER=256
ARG HTTP_PORT=8080
ARG HTTPS_PORT=8443
ARG SERVER_NAME='localhost'

RUN apt-get update && apt-get -yq dist-upgrade &&\
  apt-get install -yq --no-install-recommends \
  sudo \
  curl \
  htop \
  default-jdk \
  unzip \
  vim \
  wget &&\
  rm -rf /var/lib/apt/lists/*

WORKDIR /opt/fusiondb

RUN wget http://www.fusiondb.com/download/fusiondb-server-1.0.0-ALPHA1-unix.tar.bz2

RUN tar xjf ./fusiondb-server-1.0.0-ALPHA1-unix.tar.bz2

WORKDIR /opt/fusiondb/fusiondb-server-1.0.0-ALPHA1

VOLUME /opt/fusiondb/fusiondb-server-1.0.0-ALPHA1/data

RUN echo '#!/bin/bash' >> /usr/local/bin/docker-entrypoint.sh &&\
  echo 'set -e' >> /usr/local/bin/docker-entrypoint.sh &&\
  echo 'cd /opt/fusiondb/fusiondb-server-1.0.0-ALPHA1' >> /usr/local/bin/docker-entrypoint.sh &&\
  echo 'sudo bin/startup.sh' >> /usr/local/bin/docker-entrypoint.sh &&\
  chmod +x /usr/local/bin/docker-entrypoint.sh

EXPOSE ${HTTP_PORT} ${HTTPS_PORT}

HEALTHCHECK --interval=1m --timeout=3s \
  CMD curl -f http://localhost:4059/ || exit 1

ENTRYPOINT ["docker-entrypoint.sh"]

Dockerfile

Kurz zusammengefasst soll das Image für die Datenbank das letzte verfügbare Ubuntu als Ursprungsbetriebssystem nutzen. Anschließend erfolgt eine Aktualisierung und die Installation benötigter Komponenten wie z. B. Java. Im nächsten Arbeitsschritt lädt Docker dann die Datenbank herunter, entpackt diese und kopiert das Startskript, damit dieses von Docker ausgeführt werden kann. 

Mir war bewusst, dass es sicherlich nicht die eleganteste Lösung ist, und wollte noch weitere Verarbeitungsschritte einarbeiten. Deshalb sind noch einige etwas kryptische Argumente enthalten. Und: Es funktioniert. Das erlaubt mir schon mal vorab, fleißig zu testen. Sollte in naher Zukunft eine aktualisierte Version der fusiondb herauskommen, bin ich vorbereitet. 

Die Skripts können vollständig aus meinem Gitlab heruntergeladen werden.

Routing mit Traefik

Egal, ob Datenbank, Webpages oder andere Tools: selten werden die Dienste über nur einen Domainnamen angesprochen. So macht es Sinn, explizite Namen bzw. Subdomains für die unterschiedlichen Dienste zu verwenden. Während eine x-beliebige API unter api.meine-domain.de erreichbar ist, kann das obere Beispiel unter fusion.meine-domain.de laufen. Diese sinnstiftende syntaktische Unterscheidung vereinfacht die Nutzung wesentlich. Eine Möglichkeit, dies zu erreichen, ist die Verwendung des Dienstes traefik. Hierbei handelt es sich um einen Routingdienst, der sowohl per Docker als auch nativ auf dem Server betrieben werden kann. Die Nutzung ist denkbar einfach. Die jeweiligen Subdomains (www, api, db, etc.) werden im Domain Name Server (DNS) der Domain angelegt und verweisen dort zentral auf den Server (per IP). Wie ein jeweiliger Dienst angesprochen werden kann, muss separat in der docker-compose Datei hinterlegt werden.

labels:

– “traefik.backend=fusiondb-backend”

– “traefik.docker.network=www”

– “traefik.frontend.rule=Host:fusiondb.stephan-makowski.de”

Der Dienst wäre in diesem Beispiel nun unter fusiondb.stephan-makowski.de zu erreichen. Die Notation unterscheidet sich aber je nach verwendeter Traefik-Version. Mit dem Upgrade auf Traefik V2.0 ist die Auszeichnung zwar etwas umfangreicher geworden, erlaubt im Gegenzug aber eine vielfältigere Konfiguration. Eine Übersicht über sämtliche Funktionalitäten kann hier schwerlich geleistet werden. Vielmehr dient diese Übersicht lediglich als erster Eindruck.

labels:

    – traefik.enable=true

    – traefik.http.routers.hp.entrypoints=http

    – traefik.http.routers.hp.rule=Host(`fusiondb.stephan-makowski.de`)

    – traefik.http.middlewares.hp-https

   -redirect.redirectscheme.scheme=https

   – traefik.http.routers.hp.middlewares=hp-https-redirect

   – traefik.http.routers.hp-secure.entrypoints=https

   – traefik.http.routers.hp-secure.rule=Host(`fusiondb.stephan-makowski.de`)

   – traefik.http.routers.hp-secure.tls=true

   – traefik.http.routers.hp-secure.tls.certresolver=http

 

Die Notation ist teilweise variabel. So ist die grundlegende Syntax:

   – traefik.http.[middlewares/routers].[Abkürzung des Dienstes].etc

 

Es muss beachtet werden, dass jeder Dienst sein eigenes Namenschema enthält. Ansonsten kann eine Auflösung des Dienstes nicht erfolgen.

Beispiel:

   – traefik.http.routers.hp.rule=Host(`www.stephan-makowski.de`)

   – traefik.http.routers.api.rule=Host(`api.stephan-makowski.de`)

   -traefik.http.routers.fusion.rule=Host(`fusiondb.stephan-makowski.de`)

Ausblick

Ob eine kleine NoSQL-Datenbank zum Testen, eine WordPressinstanz als Projektseite oder ein Cluster, der über mehrere Server Ausfallsicherheit bietet: All das kann Docker und noch mehr. Und das Wichtigste: Das System ist kostenfrei erhältlich und nutzbar. Die Zeiten, in denen in langwierigen Verfahren an Rechenzentren Server beantragt werden mussten, sind vorbei. Denn Docker ist ein wunderbares Werkzeug und erleichtert einem massiv die Arbeit. Außerdem ersparen Dienste wie Traefik eine tiefgründige Beschäftigung mit Apache oder Nginx und macht Docker sowohl für IT-Expert*innen als auch für Laien interessant.

Für einen Austausch zu dem Thema stehe ich gern zur Verfügung.

Weiterführende Links

Überarbeitete Fassung des Blogbeitrags vom 17. Juni 2019 auf https://blog.stephan-makowski.de