XML als Beschreibungssprache für Textcorpora

Inhaltsverzeichnis

1. Einleitung

1.2 Schreibweisen

1.3 Verwendete Software

1.3.1 Java

1.3.2 Perl

2. Die „Extensible Markup Language“ (XML)

2.1 XML – ein offener Standard

2.2 XML - Syntax

2.3 Wohlgeformte und gültige XML-Dokumente

2.4 Die Document Type Definition (DTD)

2.5 Die DTD des TAZ-Corpus

2.6 XML-Schema

2.6.1 Das Instanz-Dokument

2.6.2 Das XML-Schema Dokument

2.6.2.1 Der Kopf des XML-Schemas

2.6.2.2 Elemente deklarieren

2.6.2.3 Attribute deklarieren

2.7 Weitere Ansätze zur Erzeugung gültiger XML-Dokumente

2.8 Unterstützung fremdsprachlicher Zeichensätze

3. Be- und Verarbeitung von XML-Daten

3.1 XML Parsen

3.1.1 XML-Parser für Perl

3.1.1.1 XML::Parser

3.1.1.2 Das Modul XML::Parser::PerlSax

3.1.1.3 Das Modul XML::DOM

3.1.2 XML-Parser für Java

3.1.2.1 SAX-Parser

3.1.2.2 DOM-Parser

3.2 XPath

3.2.1 Teilbäume identifizieren

3.2.2 Attribute berücksichtigen

3.2.3 Der Inhalt eines Elements

3.2.4 Weitere Operatoren und Berechnungen

3.2.5 XPath-Beispiele anhand des TAZ-Corpus

3.3 XQuery

3.3.1 FOR, LET, WHERE und RETURN

3.3.2 Weitere Konstrukte

3.4 XUpdate

3.4.1 Elemente einfügen

3.4.2 Elemente anfügen

3.4.3 Elemente aktualisieren

3.4.4 Elemente löschen

3.4.5 Elemente umbenennen

3.5 Externe Datenquellen in XML-Daten integrieren

3.5.1 XLink

3.5.2 XPointer

3.5.3 XInclude

3.5.3.1 TAZ-Corpus: Meta-Daten mittels XInclude auslagern

3.6 Webservices

3.6.1 SOAP

3.6.2 XML-RPC

3.6.2.1 XML-RPC: Server-Implementierung

3.6.2.2 XML-RPC: Client-Implementierung

3.7 XML-Daten transformieren

3.7.1 XML-Daten mit CSS formatieren

3.7.2 XSLT

3.7.2.1 XSLT-Prozessoren

3.7.2.2 Grundlegende Syntax-Elemente

3.7.2.3 Abfragen

3.7.2.4 Weitere XSLT-Funktionen

3.7.2.5 Formatting Objects (XSL-FO)

3.7.2.6 XSLT-Beispiel anhand des TAZ-Corpus

4. Weitere Spezifikationen des W3C

4.1 XML-Elemente mit xml:id indizieren

4.2 Binären Daten Media-Typen zuweisen

4.3 SMIL - Synchronized Multimedia Integration Language

4.4 Scalable Vector Graphics

4.4.1 Grundlegende SVG-Elemente

4.4.2 Weitere SVG-Elemente

4.4.3 Transformationen

5. XML-Datenbanken

5.1 Das relationale Datenmodell versus XML

5.2 OpenSource XML-Datenbanken

5.3 Die XML-Datenbank eXist

5.3.1 Installation von eXist

5.3.2 XML-Workflow in eXist

5.3.3 Das TAZ-Corpus in der eXist-Datenbank

5.3.4 Deutsch-Englisches Wörterbuch

5.4 Beipielanwendung (Perl): Validieren des Zipfschen Gesetzes anhand des TAZ-Corpus

5.4.1 Programmlauf

6. Weitere Tools zum Bearbeiten von XML-Daten

6.1 XML-Editoren

6.1.1 Kommerzielle Produkte

6.1.2 OpenSource-Produkte

6.1.3 Übersicht

6.2 Weitere Perl-Module zur Verarbeitung von XML-Daten

6.2.1 XML::Simple

6.2.2 XML::XPath

7. XML-Bearbeitung in weiteren Programmiersprachen

8. Schlussbemerkungen

Zielsetzung & Themen

Das Hauptziel dieser Arbeit ist es aufzuzeigen, dass die „Extensible Markup Language“ (XML) als einheitlicher Workflow für verschiedenste Arten von Text-Corpora in der Quantitativen Linguistik dienen kann. Die Arbeit untersucht dabei die technischen Grundlagen von XML, die Möglichkeiten zur Be- und Verarbeitung der Daten sowie deren Speicherung und Transformation.

• Grundlagen von XML, DTDs und XML-Schema zur Strukturierung von Daten
• Methoden zur Verarbeitung von XML-Daten mittels Parsern (SAX und DOM) in Perl und Java
• Einsatz von Abfragesprachen wie XPath und XQuery zur Analyse von XML-Beständen
• Integration von XML-Datenbanken (e.g., eXist) und deren Anwendung auf reale Text-Corpora
• Transformation von XML-Daten mittels XSLT und CSS für verschiedene Ausgabeformate

Auszug aus dem Buch

Zusammenfassung der Kapitel

1. Einleitung: Problematisierung proprietärer Datenformate und Vorstellung von XML als Alternative für den Workflow in der quantitativen Linguistik.

2. Die „Extensible Markup Language“ (XML): Einführung in die Syntax, Strukturierung durch DTDs und Schemata sowie Handhabung von Zeichensätzen.

3. Be- und Verarbeitung von XML-Daten: Detaillierte Darstellung von Parser-Technologien (SAX/DOM), Abfragesprachen (XPath/XQuery) sowie Transformationstechniken (XSLT) und Webservice-Anbindung.

4. Weitere Spezifikationen des W3C: Überblick über ergänzende Standards wie xml:id, SMIL und Scalable Vector Graphics (SVG).

5. XML-Datenbanken: Abgrenzung zu relationalen Datenbanken und Vorstellung der eXist-Datenbank zur Verwaltung von XML-Strukturen.

6. Weitere Tools zum Bearbeiten von XML-Daten: Vergleich verschiedener kommerzieller und OpenSource-XML-Editoren sowie weiterer Perl-Module zur Datenverarbeitung.

7. XML-Bearbeitung in weiteren Programmiersprachen: Kurze Zusammenfassung der Unterstützung für XML in Sprachen wie PHP, Python und LISP.

8. Schlussbemerkungen: Zusammenfassende Bewertung von XML als reifer Standard und Diskussion der Performance-Herausforderungen bei großen Datenbeständen.

Schlüsselwörter

XML, Quantitative Linguistik, Text-Corpora, Parsing, SAX, DOM, XPath, XQuery, XSLT, Datenbanken, eXist, Perl, Java, Datenformate, Datenaustausch

Häufig gestellte Fragen

Worum geht es in dieser wissenschaftlichen Arbeit primär?

Die Arbeit behandelt den Einsatz von XML zur Standardisierung und effizienten Verwaltung von Text-Corpora in der Quantitativen Linguistik.

Welches sind die zentralen Themenfelder der Untersuchung?

Im Zentrum stehen die Strukturierung von Daten durch XML, die automatisierte Verarbeitung durch Parser, die Analyse durch Abfragesprachen sowie die Speicherung in spezialisierten Datenbanken.

Was ist das primäre Ziel der Arbeit?

Es soll nachgewiesen werden, dass XML einen einheitlichen Workflow ermöglicht, der linguistische Daten unabhängig von spezifischen Softwareherstellern zugänglich und analysierbar macht.

Welche wissenschaftlichen Methoden werden angewendet?

Die Arbeit basiert auf einer theoretischen Analyse von XML-Spezifikationen und der praktischen Implementierung von Softwarebeispielen (insb. in Perl und Java), um die Funktionalität zu demonstrieren.

Was wird im Hauptteil der Arbeit behandelt?

Der Hauptteil gliedert sich in die technische Einführung von XML, die Methoden der Datenverarbeitung (Parser, XPath, XQuery, XSLT), die Anbindung an XML-Datenbanken sowie eine konkrete Anwendungsfall-Studie.

Welche Schlüsselbegriffe charakterisieren die Arbeit?

XML, Text-Corpora, Parser (SAX/DOM), XPath, XQuery, XSLT und XML-Datenbanken.

Wie wird das Zipfsche Gesetz in dieser Arbeit untersucht?

Die Arbeit validiert das Gesetz mittels eines Perl-Programms, das Daten direkt aus der eXist-Datenbank via XPath abfragt und die Häufigkeitsverteilung von Wortlängen im TAZ-Corpus analysiert.

Warum empfiehlt der Autor für komplexe Analysen bevorzugt DOM-Parser gegenüber SAX?

Obwohl DOM rechenintensiver ist, ermöglicht es die Repräsentation des gesamten Dokuments als Baumstruktur, was den Zugriff auf beliebige Elemente und deren Manipulation im Vergleich zur linearen Verarbeitung von SAX erleichtert.