XML fyller fem år i år. Födelsedagsbarnet är ett metaspråk. Det är inte ett språk man skriver texter i, utan ett språk man använder för att definiera andra språk. Språket har snabbt vunnit popularitet i vida kretsar till den grad att många har börjat lida av en slags angle-bracket fatigue. Drabbas du av en oförklarlig matthet när du ser tecknen < och > bör du lägga undan denna text. Du är i risksonen för att drabbas av denna form av depression.

Jag tänker mig att denna text skall kunna tjäna som en inledning för den tekniskt mindre bevandrade till landvinningar som gjorts inom det digitala biblioteksväsendet fram till XMLs femårsdag, och även en del teknologier som fått uppleva en renässans i XML-boomens kölvatten.

Innan jag går över till det egentliga innehållet vill jag säga några få ord om mig själv. Jag har arbetat med informationssökning på Internet sedan 1995. Hela tiden har markerad text varit min specialitet. Då började jag med robotar och automatisk indexering av webbsidor i tjänster som t ex Nordiskt Webbindex. Sedermera lade jag till metadata — katalogiseringsinformation — som bäddats in i webbsidorna i så kallade metataggar i tjänster som Svenska Miljönätet, Safari och Studera.NU. Jag har fortsatt i samma spår; att försöka hjälpa mina medmänniskor att hitta texter som de kan ha nytta och glädje av. Under mitt arbete har miljön jag arbetat inom blivit mer och mer kontrollerad. Nu är det strikta XML-baserade tjänster, som täcker alltfrån sökning bland digitaliserade medeltidshandskrifter till elektronisk publicering av vetenskapliga uppsatser.

Min text har tre delar. Först tar jag upp en rad mjuka ämnen, trender inom utvecklingen på metadataområdet. Både äldre standarder som utvecklats vidare och nya som aspirerar på att bli implementerade. Frågan är med vilka affärsmodeller de är förenliga och vilka olika funktionella krav de uppfyller. Standarderna har uppkommit i olika ekonomiska eller politiska sammanhang som det inte går att bortse ifrån.

Därefter övergår jag till hur XML kan används för att koda data och dokument, och även metoder som används för att transportera XML över ett nätverk. In emellan gör jag helt personliga reflektioner om hur standardarder används och exempel på projekt och sammanhang där de förekommer inom Sverige.

För att någon skall bygga en digital informationstjänst, så måste den fylla något behov. Någon måste behöva den, och någon måste vilja betala den. Metoden för att översätta ett behov till betalningsvilja brukar kallas tjänstens business model eller dess affärsidé.

Vilken roll, om någon, spelar en affärsidé för hur en databas byggs, och vilka metadata som används? Metadata är big business. Tro alltså inte att metadata skapas av idealistiska bibliografer som vill möjliggöra högkvalitativa sökverktyg, drömmande bibliotekarier i fotriktiga skor. Eller att metadatatjänster enbart skapas av orakade datornördar.

Metadata är en av grundvalarna i mediaindustrin. Denna lever på att äga, köpa och sälja nyttjanderätten till copyrightskyddat material av olika slag (se Figur 1). För att inse att detta är fallet, fundera en stund över Svenska Tonsättares Internationella Musikbyrås verksamhet.

Hur skall man få reda på alla rättsinnehavare involverade när man spelar låt oss säga Louis Armstrongs , alltså Broadwayversionen av Bert Brechts och Kurt Weills på svensk radio? Brecht skrev librettot till , och Weill komponerade musiken, någon översatte till engelska, ytterligare någon skrev det jazzigare arrangemanget, slutligen har vi orkester, dirigent och Louis Armstrong själv. Alla personer eller organisationer som bidragit till verket kallar jag i fortsättningen för agenter. För att kunna fördela STIM-pengar till alla som bidragit krävs detaljerad information som tar hänsyn till alla uppgörelser som har gjorts kring det intellektuella innehållet i text och melodi, och de övriga transformationer verket genomgått innan det hamnade i Sveriges Radios skivsamling.

Alla krav man kan ställa för att det skall vara meningsfullt att skapa sådana metadata är uppfyllda. Vi har en affärsidé; svenska tonsättare blir medlemar och STIM tar till vara deras intressen. Liknande organisationer runt om gör motsvarande jobb, och tillsammans bevakar de systerorganisationernas medlemmars intressen internationellt.

Utan att egentligen bry oss om hur det går till i verkligheten, är det en lärorik övning att fundera över vilken information om STIM och koalitioner inom mediasektorn behöver för att rätta konton skall berikas när Louis raspiga röst hörs i radio. Ett databasschema som klarar av detta måste vara baserad på en struktur som liknar den som visas i Figur 2. Denna struktur är hämtad från en publikation som heter , FRBR. Om du inte visste det, så uttalas det förbör. Du måste nästan svälja r:en för att verka initierad.

Man kan framställa FRBRs fyra nivåer så här:

Om vi för tillfället bortser från Gays kommentar, ser vi här ett exempel på hur en abstrakt modell av en kreativ process kan påverka hur man modellerar en bibliografisk post. Steget här är långt från den traditionella MARC-postens 999 fält, subfält från a–z och indikatorer. Fälten betecknas som bekant med sina nummer. Det ligger trettio års utveckling inom databasområdet mellan MARC och FRBR. En utveckling som stimulerats av idéer inom fält som objektorienterad programmering.

När det gäller STIM och dess broder- och systerorganisationer internationellt räcker inte relationerna som visas i Figur 2. En del av det som behövs finns faktiskt i Dublin Core Metadata Initiatives (DCMI) vokabulärer. Innan jag går in på dem är det några kraftfulla generella metadatakoncept jag vill diskutera.

Vad är ett dokument för dig? För mig brukade till för några år sedan dokument vara ett högtidligt ord. Ett dokument var handskrivet, kanske med bläck och på fint papper. Kanske det var skrivet på pergament. Ett dokument var alltid gammalt, och alltid värdefullt.

Dokument var texter som dokumenterade eller belyste något; ett skeende i historien till exempel. Gamla gulnade brev från mormors mor till mors morfar, sådana kändes för mig som dokument. Sen kom informationsteknologin och med den dokumentinflationen. På min dator har jag en massa dokument, och du har väl det också. Ofta heter de något i stil med *.doc. Oavsett om de är brev, artiklar eller kanske till och med någon bok. När vi ser ett sådant dokument utskrivet, vet vi trots allt vad det är. Det gör vi eftersom ett brev typiskt har:

Det finns ingen generell metod som gör det möjligt att öppna ett brev skrivet med någon populär ordbehandlare, och konstatera: Detta är ett brev. I princip är enda metoden att öppna dokumentet och läsa det. Rent visuellt finns då säkert de element jag nämner ovan. Finns elementen där i någon djupare mening? Vem bryr sig? Ganska få. Bortsett från registratorn vid ämbetsverket och arkivarien och vissa andra som kanske har en lite högtidlig syn på begreppet dokument. De som tänker som så att dagens *.doc skall bli framtidens gulnade och värdefulla urkunder.

XML, och dessförinnan SGML, ger oss möjlighet att definiera typer av dokument, i en sådan formell mening. En sådan dokumenttyp kan vara just brev och kontrakt. Andra dokumenttyper skulle kunna vara artikel eller bok. För varje sådan typ kan man ställa upp en formell definition som måste vara uppfylld för att ett dokument skall vara exempelvis ett brev.

När väl en sådan definition är gjord, kan man med datorprogram kontrollera om definitionen följs. Programmet kan naturligtvis inte avgöra om jag menar allvar när jag avslutar ett brev med Din för evigt, Sigfrid. Däremot kan det kontrollera är om ett dokument innehåller en sådan avslutningsfras. För att programmet skall kunna göra detta måste frasen också markeras på exakt det sätt definitionen föreskriver.

XML gör alltså en distinktion mellan innehåll och form, och koncentrerar sig på innehållet. Ett mycket enkelt exempel på skillnaden mellan innehåll och form i ett markeringsspråk är taggen <ADDRESS>...</ADDRESS> i vanlig HTML. Den är mycket ovanlig numera. Den skapades en gång för att användas på slutet av webbsidor för att berätta vem det var som var ansvarig för sidan, och hur man skulle kunna ta kontakt med sidansvarig. Den enda visuella effekten taggen normalt har är att dess innehåll kursiveras. De som inte gillar kursivering där skippar den taggen av den anledningen, och de som vill ha kursivering sätter förmodligen in ett <I>...</I> i stället. Det ser ju likadant ut! (se Exempel 1).

Som den typiske gnällspik jag är kan jag konstatera att folk ansvariga för HTML-slöjd helt enkelt har struntat i den distinktion som en gång fanns mellan form och innehåll även i HTML. Därför bryr sig naturligtvis inte heller utvecklare av sökmaskiner eller eller liknande produker.

Om vi nu bryr oss, och vill att ett brev skall vara ett brev i djupaste möjliga mening, så skulle ett sådant kunna markeras i XML som i Exempel 2. Detta är ett ganska realistiskt exempel. Namn, datum och platser är markerade. En samling brev av det här slaget skulle kunna lagras i en databas och och om man gjorde det, skulle det också vara möjligt att söka samlingen med precision. Till en tryckt upplaga skulle det vara lätt att med automatik generera alfabetiska index av brevskrivare, adressater, personer som nämns i brödtexten, platser. I hypertext kan sådana element markeras och länkas till såväl textkritiska noter som till sökningar i databasen. Vilka brev skrev Strindberg medan han bodde i Lund, vem skrev han till i mars månad 1897? Ett elektroniskt dokument som det i Exempel 2 det håller. XML är elektroniskt pergament av högsta kvalitet. Det skall gå att läsa i framtiden, om formatet för markeringen är välkänd och väl dokumenterad.

För varje dokumenttyp finns det vissa givna typer av innehållsliga element man kan vänta sig. Listan med innehållsliga element för ett brev ovan stämmer väl överens med såväl intuition som det jag använt i Exempel 2.

Det kan vara en intressant övning att fundera över vad andra dokumenttyper skulle kräva för markeringar. Jag tar upp några. En vetenskaplig artikel ser annorlunda ut:

En typisk roman skulle sannolikt ha en enklare struktur:

De innehållsliga strukturerna i olika dokumenttyper leder fram till olika former av markeringar. När vi talade om databaser och metadata var begreppet datamodell; i samband med XML och markeringsspråk har vi ett analogt begrepp, innehållsmodell (content model).

XML har blivit mjukvaruindustrins gullgosse. Det har, tyvärr, spridits en uppfattning att applikationer baserade på < och > är bättre än andra, på grund av någon inneboende kvalitetsskillnad. Så är det naturligtvis inte. Trots detta kan man med fog säga att femåringen har öppnat en rad nya fält som hade varit omöjliga för fem år sedan. Jag tror inte att XML är den verkande orsaken till detta, utan att femåringen verkar som en katalysator.

Det mesta av det vi idag gör med XML hade varit möjliga att göra med Standard Generalized Markup Language (SGML), Z39.50 och andra äldre standarder. Det är bara det att få gjorde det. XML inbjuder till byggandet av strukturer för utbyte av data. Det är tillräckligt många som har kastat sig över de nya teknologierna för att det skall bli en kritisk massa. Vad som en gång var svårt att göra har blivit enklare, och roligare, att göra.

Vilka också visar vad resten delvis kommer att handla om.