Text+Plus, #03: Verlinkungen und standardisierte Suchen: MWB-APIplus

Schwarzweißfotografie: Blick in die Kuppel des "Man in the Community Pavillon" auf der Expo 1967 in Montreal.

#03: MWB-APIplus

Jedes Jahr fördert Text+ Kooperationsprojekte mit einer Laufzeit von maximal 12 Monaten. Bewerben können sich Einzelpersonen, Arbeitsgruppen, Forschungsverbünde und Forschungseinrichtungen. Die Kooperationsprojekte aus der ersten Förderrunde sind am 1. Januar 2023 gestartet. In der Blog-Reihe Text+Plus geben sie Einblick in ihre Arbeit.

Autor:innen: Patrick D. Brookshire, Ute Recker-Hamm

„Nimm grünen Käse“ klingt nach einem eher ungewöhnlichen Gesundheitstipp und doch findet sich die mittelhochdeutsche Entsprechung „nim grunen kese“ im deutschen Salernitanischen Arzneibuch aus dem 13. Jahrhundert.1 Wer sich über diese Textstelle nicht nur wundern, sondern sie genauer verstehen möchte, stellt sich Fragen wie „Geht es hier wirklich um die Farbe des Käses?“, „Gibt es ähnliche Stellen in anderen Texten?“ oder „Welches Wörterbuch hilft mir weiter?“. Antworten auf diese Fragen (und viele mehr) liefern jetzt vier neue Schnittstellen (APIs), die im Kooperationsprojekt MWB-APIplus entwickelt wurden.

Mittelhochdeutsche Ressourcen und Text+

Mittelhochdeutsche Wörterbücher und Korpora sind, um im Bild zu bleiben, gewiss kein grüner Käse, aber doch ein komplexes Ökosystem: Die beiden Mittelhochdeutschen Wörterbücher des 19. Jahrhunderts von Benecke, Müller, Zarncke (BMZ) und Lexer sind bereits in ihren gedruckten Fassungen eng aufeinander bezogen und sind in ihrer retrodigitalisierten Form Bestandteile des Trierer Wörterbuchnetzes. Sie sind ebenso Text+-Ressourcen wie das Referenzkorpus Mittelhochdeutsch (ReM)2 mit rund 2 Mio. lemmatisierten und annotierten Texttokens.
Seit 2006 erscheint das Mittelhochdeutsche Wörterbuch (MWB) der Akademie der Wissenschaften und der Literatur Mainz und der Niedersächsischen Akademie der Wissenschaften zu Göttingen. Es bearbeitet den mittelhochdeutschen Wortschatz nach modernen linguistischen, lexikographischen und technischen Standards auf der Grundlage wissenschaftlich gesicherter Editionen aller Textsorten. Es erscheint nach dem Single-Source-Prinzip gedruckt in Lieferungen3 und zusätzlich in einer frei zugänglichen Onlinepublikation.

Scrrenshot von MWB Online mit dem Artikel grüene Adj. und verlinkter Volltextanzeige
Abb. 1: MWB Online mit dem Artikel “grüene” Adj. und verlinkter Volltextanzeige.

MWB Online bietet umfangreiches Zusatzmaterial, z.B. das gesamte lemmatisierte, bidirektional mit dem Wörterbuch verlinkte Volltextarchiv, das rund 225 Texte mit insgesamt 12,7 Mio. Tokens umfasst und der Ausarbeitung des Wörterbuchs zugrunde liegt. Außerdem sind die MWB-Lemmata mit den Vorgängerwörterbüchern im Wörterbuchnetz und dem ReM verlinkt. Bislang umfasst das MWB knapp 20.300 Artikel und wächst mit jeder Lieferung um ca. 2.000 weitere an. Der Projektabschluss ist für das Jahr 2032 vorgesehen.
Aufgabe des Kooperationsprojekts MWB-APIplus war es, die MWB-Ressourcen über technische Schnittstellen in das Text+ Datenportfolio zu integrieren. Sie reagieren dynamisch auf die weitere Ausarbeitung des MWB und stellen es der Community über das Projektende und über MWB Online hinaus zur Verfügung.

Zugriff auf MWB-Metadaten

Auffindbarkeit und angemessene Katalogisierung von digitalen Sprachressourcen stellen ein wichtiges Desiderat nicht nur von Text+ dar. Dementsprechend wurden zwei MWB-APIs entwickelt, die die Metadaten der Quellentexte und Wortartikel verfügbar machen. Insbesondere für das Textarchiv gehen sie über die Fließtextausgabe des bibliographischen Nachweises in MWB Online hinaus (s. Kopfzeile rechts in Abb. 1), indem weitere Angaben z.B. zur Datierung, zur Textsorte usw. in strukturierter und standardisierter Form über das OAI-PMH-Protokoll bereitgestellt werden:

Screenshot „Deutsches salernitanisches Arzneibuch“ als Dublin-Core-Eintrag in MWB-APIplus
Abb. 2: „Deutsches salernitanisches Arzneibuch“ als Dublin-Core-Eintrag in MWB-APIplus.

Diese Metadaten-Schnittstelle liefert einige Informationen doppelt aus, um nicht nur maschinelle, sondern auch menschliche Informationsbedürfnisse zu addressieren. So folgt etwa auf eine Datierung mit Unsicherheitsmarkierung im EDTF-Standard ein kontextualisierender Hinweis aus dem MWB. Außerdem werden strukturierte bibliographische Informationen über die unAPI-Schnittstelle des Gemeinsamen Verbundkatalogs bezogen, wenn sie im MWB (noch) nicht erfasst sind, und dem Eintrag vorangestellt. Diese Datenintegration ist möglich, da Verlinkungen auch bei den MWB-Metadaten eine wichtige Rolle spielen – hier durch die Erfassung von PICA-Produktionsnummern, die zusammen mit dem Volltextlink bereitgestellt werden. Dieser Verweis auf einen externen Identifier soll umgekehrt auch eine Integration in andere Dienste genauso ermöglichen wie die Option, jeden Eintrag alternativ im MODS- oder MARC21-Standard beziehen zu können. Letzteres gilt auch für die Metadaten aller bereits publizierten Artikel, für die im Rahmen des Kooperationsprojektes eine entsprechende Schnittstelle entwickelt wurde.

Gemeinsame mittelhochdeutsche Suche

Wer wissen will, was es mit dem grünen Käse im Salernitanischen Arzneibuch auf sich hat, erfährt im MWB-Artikel grüene Adj. in Bedeutungsposition 3, dass grün bezogen auf nicht-pflanzliche Nahrungsmittel ‘frisch, roh, unverarbeitet’ bedeutet, so auch für grüne Heringe oder grünen Speck, was die Textstelle schon plausibler und den Käse appetitlicher macht. Ein Klick auf den verlinkten Volltext in MWB Online zeigt den Textzusammenhang, nämlich dass Quark in Wein eingelegt und äußerlich angewendet als Heilmittel gegen Beschwerden des Kopfes empfohlen wird. Die weitere Verlinkung könnte in das Wörterbuchnetz, in das lemmatisierte Belegarchiv des MWB oder in das ReM führen, um weitere Belege zu finden.

Die Bereitstellung zweier APIs nach Text+-Standard erlaubt es nun, MWB-Artikel und Quellentexte zusammen mit allen diesen Ressoucen abzufragen. Die föderierte Suche (FCS) in Text+ bietet drei Suchtypen, die das MWB alle unterstützt (ausgenommen der durchgestrichenen optionalen Erweiterungen):

Screenshot Suchtypen der FCS von Text+
Abb. 3: Suchtypen der FCS von Text+ (mit Fettung der Minimalanforderungen und Streichung der in MWB-APIplus nicht implementierten Features).

Der einfachste Suchtyp ist die sogenannte Basic Search, die eine Volltextsuche in allen registrierten Ressourcen ermöglicht; die Suche nach “grunen” liefert also die Textstelle im Arzneibuch, den Beleg im MWB-Wortartikel sowie weitere Treffer in Text+-Ressourcen. Die Lexical Search ist speziell für die Suche in Wörterbüchern konzipiert und erlaubt die Suche in den Feldern Lemma, Wortart und Bedeutungsangabe. Hier führt die Lemma-Suche nach “grüene” zu MWB-, Lexer- und BMZ-Treffern. Der Text+-FCS-Aggregator stellt als Browser-Applikation eine Oberfläche für die gemeinsame Suche zur Verfügung.

Screenshot der Lexical Search nach dem Lemma „grüene“ im FCS-Aggregator von Text+
Abb. 4: Lexical Search nach dem Lemma „grüene“ im FCS-Aggregator von Text+.

Als Abfragesprache nutzt die lexikalische Suche die Common Query Language (CQL) mit von Text+ spezifizierten Suchfeldern. Damit lassen sich die Anfragen auch auf die Wortart des Artikellemmas gemäß Universal-Dependency-Tagset oder auf lexikographische Gliederungskommentare einschränken. Alle Treffer sind mit den dahinter liegenden digitalen Ressourcen verlinkt, sodass die jeweiligen Artikel und Textstellen eingesehen werden können. Zudem bietet der Aggregator auch unterschiedliche Darstellungsformen und Exportmöglichkeiten.

Für das Volltextarchiv wurde neben der Basic auch die sogenannte Advanced Search implementiert. Diese eröffnet einen Zugang zur Annotationsschicht der Texte, indem sie sie erstens abfragbar macht und die Treffer zweitens in einer Zeilensynopse mit den Annotaten darstellt:

Screenshot der Advanced Search nach dem Token „grunen“ im FCS-Aggregator von Text
Abb. 5: Advanced Search nach dem Token „grunen“ im FCS-Aggregator von Text+.

So lässt sich aus dem hier dargestellten Advanced Data View die Information ablesen, zu welchem Lemma die gesuchte Wortform gehört, während die Standard-Trefferansicht einen Zeilen- bzw. Vers-genauen Sprung in den Volltext bietet. Dieser Einstiegspunkt verwendet die im CLARIN-Kontext eigens dafür entwickelte Abfragesprache FCS-QL zur gezielten Addressierung der jeweiligen Annotationslayer einer Textwortform. Dabei unterstützt das MWB sowohl die optionalen FCS-Layer für Lemmaformen und Wortarten als auch die verbreiteten Varianten zur Tokensuche, um eine möglichst hohe Nachnutzbarkeit zu gewährleisten.

Technische Umsetzung

Alle vom MWB bereitgestellten Daten liegen als TEI Lex-0 bzw. TEI P5 in einer eXist-db vor und werden für alle vier Text+-APIs mit XQuery in die entsprechenden Zielformate serialisiert. Im Rahmen des Kooperationsprojekts war somit keine Datenkuratierung des MWB nötig und die grundlegenden technischen Voraussetzungen für die Realisierung der APIs waren von vornherein gegeben. Zudem gibt es eine (interne) Git-Versionierung, die eine Reproduzierbarkeit gewährleistet, während im MWB weiter Metadaten gepflegt, Texte lemmatisiert und Artikel verfasst werden. Durch die Registrierung der beiden Such-APIs beim FCS-Aggregator von Text+ entfiel hier die Implementierung der in Abb. 4 und 5 dargestellten Views, die als Alternative zu direkten Anfragen an die einzelnen APIs dient:

Schematische Darstellung der Anfragen und Antworten in der FCS von Text+
Abb. 6: Anfragen und Antworten in der FCS von Text+ (ausgegraute sind für den Client nicht sichtbar).

Durch das zugrunde liegende searchRetrieve-via-URL-Protokoll (SRU) mit den in Abb. 3 genannten Spezifizierungen wird sichergestellt, dass alle „grunen“-Treffer dasselbe Format haben. Das heißt, weder ein Client, der eine API direkt anspricht, noch der Aggregator muss die Architektur des jeweiligen Datenanbieters oder dessen Abfragesprache kennen, sondern sie können sich darauf verlassen, dass die API gültige Anfragen in die intern benötigte Abfragesprache übersetzt und standardisierte Fehlermeldungen bei ungültigen Anfragen zurückliefert. Für das MWB waren also einerseits Serializer zu entwickeln, die die MWB-Daten in das Zielformat bringen, und andererseits Parser, die CQL bzw. FCS-QL Anfrage in die lokale Abfragesprache übersetzen. Deshalb wurden für MWB-APIplus neben den nötigen projektspezifischen XQuery-Modulen auch generische Serializer für SRU im allgemeinen und FCS im speziellen sowie Parser für CQL und FCS-QL entwickelt, die der Community auf Github zur Verfügung stehen.

Zusammenfassung und Ausblick

Mit den im Kooperationsprojekt MWB-APIplus entwickelten Schnittstellen sind nun alle bisher erschienenen Wortartikel sowie das annotierte Textarchiv des MWB nach Text+-Standards abfragbar. Auch alle zukünftig erscheinenden Lieferungen des Wörterbuchs können ohne weiteren Aufwand über die APIs unmittelbar aus der Projektstruktur heraus zur Verfügung gestellt werden. Für die Metadaten-Services steht die Text+-Registrierung noch aus, sie können jedoch auch so bereits genutzt werden.

Der FCS-Aggregator zeigt in eindrucksvoller Weise die Stärken und Möglichkeiten der föderierten Suche, die jedem Datenanbieter eine Skalierung hinsichtlich Umfang und Tiefe der bereitgestellten Daten ermöglicht. Die entwickelten Schnittstellen können nicht nur im Kontext von Text+ genutzt werden, sondern über direkte Anfragen auch für andere Vernetzungs- und Integrationsanliegen. Bereits jetzt sind zentrale Hilfsmittel zur mittelhochdeutschen Sprache in den FCS-Aggregator integriert. Mit einem zukünftigen Ausbau des Aggregators und der Integration weiterer Datenschätze werden die Nutzungsmöglichkeiten weiter zunehmen.

Für das MWB, das unter engen Zeit- und Ressourcenvorgaben arbeitet, wäre eine Realisierung der APIs und damit eine Integration in Text+ ohne die zusätzliche Förderung durch das Kooperationsprojekt nicht möglich gewesen.

Zitiervorschlag
Patrick D. Brookshire, Ute Recker-Hamm: Text+Plus, #03: Verlinkungen und standardisierte Suchen: MWB-APIplus, in: Text+ Blog, 15.12.2023, https://textplus.hypotheses.org/8245.

Beitragsbild: ETH-Bibliothek Zürich, Bildarchiv / Fotograf: Metzger, Jack / Com_L16-0320-0002-0002 / CC BY-SA 4.0, http://doi.org/10.3932/ethz-a-000969258.

  1. SalArz 29,56 []
  2. Klein, Thomas; Wegera, Klaus-Peter; Dipper, Stefanie; Wich-Reif, Claudia (2016). Referenzkorpus Mittelhochdeutsch (1050-1350), Version 1.0. ISLRN 332-536-136-099-5. []
  3. Mittelhochdeutsches Wörterbuch. Im Auftrag der Akademie der Wissenschaften und der Literatur Mainz und der Akademie der Wissenschaften zu Göttingen hrsg. von Kurt Gärtner, Klaus Grubmüller und Jens Haustein. Mitbegründet von Karl Stackmann. Tübingen (Hirzel), 2006ff. [Bisher erschienen Bd 1 a – êvrouwe, Bd. 2 êvüegerin – iruele sowie Lfg. 3,1 irzen – kochlêhen.] []

OpenEdition schlägt Ihnen vor, diesen Beitrag wie folgt zu zitieren:
Text+ Gast (15. Dezember 2023). Text+Plus, #03: Verlinkungen und standardisierte Suchen: MWB-APIplus. Text+ Blog. Abgerufen am 25. Juli 2024 von https://doi.org/10.58079/uqhk


Das könnte dich auch interessieren …

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.

Suche in OpenEdition Search

Sie werden weitergeleitet zur OpenEdition Search