3 Einführung des Datenformats
- Inhalt
- 3.1 Das allgemeine Format
-
- 3.1.1 Zeichen und Worte
- 3.1.2 Objekte und Objektklassen
- 3.1.3 Fakten und Einträge
- 3.2 Datentypen
- 3.2.1 Datum
- 3.2.2 Angaben zu Punkten im Netz
- 3.2.3 Unbenannte Abschnitte
- 3.2.4 Zweifel
Nachdem die Konzepte nun eingeführt sind, geht es daran, die
Art und Weise der Datenspeicherung zu erläutern. Sie wird dem
einen oder anderen Leser vielleicht ungewöhlich erscheinen,
verwenden wir doch weder XML noch eine relationale Datenbank.
Hintergrund ist, dass die Daten, eine rudimentäre Einführung
in das Format vorausgesetzt, auch ohne schwerfällige Hilfsmittel
zu lesen und zu verändern sein sollen. Trotzdem soll das Format
so gestaltet sein, dass es durch geeignete Werkzeuge aufbereitet
und in andere Formate überführt werden kann.
Der letzte Punkt erfordert eine strikte Grammatik und legt die
Verwendung von XML nahe. Wer allerdings schon einmal versucht
hat, eine XML-Datei nur mit einem Texteditor zu lesen, wird
zustimmen, dass der erste Punkt der einfachen Les- und
Veränderbarkeit nicht erfüllt ist.
Aus diesem Grunde greifen wir auf eines der ältesten Konzepte
der Datenhaltung zurück, nämlich einfache Textdateien, die einer
eigenen, speziell für das Projekt entwickelten Grammatik folgen.
Diese Grammatik ist einfach genug, um nach nur wenig Übung mit
ihr klarzukommen.
Diese Kapitel beschreibt den Aufbau der Daten zunächst in
einführender Erzählform. Das nächste Kapitel wird dann die
einzelnen Punkte aufgreifen und detailiert erläutern.
Zum Seitenanfang
3.1 Das allgemeine Format
Es wurde bereits erläutert, dass alle Daten in Textdateien
enthalten sind. Das heißt, die einzelnen Bits und Bytes in
den Dateien werden als Textzeichen interpretiert und in
dieser Form verarbeitet. Eine solche Datei wird formalisiert,
indem man Regeln aufstellt, welche Zeichen auf welches
folgen soll (die Syntax) und was solche Folgen dann zu bedeuten
haben (die Semantik). Es gibt endlos viele Möglichkeiten,
solche Regeln aufzustellen. Man kann universelle Regeln
aufstellen, die nur schlecht zu lesen sind, wie eben XML
dies tut, oder eher spezielle Regeln, die den Anforderungen
einer bestimmten Anwendung genügen.
Dieses Projekt geht den zweiten Weg. Die Syntax (also die
Regeln, welche Zeichen auf welche folgen) ist von der
Programmiersprache C inspiriert. Diese hält das Rauschen,
nämlich den Anteil der zur Verwaltung nötigen Zeichen im
Verhältnis zu tatsächlichen Information klein. Dies hat
den Vorteil, dass man beim Lesen nur wenige Zeichen zu
erfassen braucht. Der Vorteil beim Schreiben dürfte ohnehin
klar sein: Weniger Tipperei.
Aber genug der Vorrede, beginnen wir mit der Erläuterung
des tatsächlichen Formats.
Zum Seitenanfang
3.1.1 Zeichen und Worte
Um die Anforderung der Lesbarkeit zu erfüllen, folgen wir am
besten der Art und Weise, wie man natürlichsprachliche Texte
gruppiert. Zunächst einmal haben wir Buchstaben, Ziffern und
Symbole. Diese erfüllen alle unterschiedliche Aufgaben.
Buchstaben repräsentieren Laute, Ziffern mathematische Konzepte
und Symbole dienen dazu, die Entschlüsselung eines Textes zu
unterstützen. So dient der Punkt dazu, das Ende eines Satzes
zu kennzeichnen.
Ein weiteres wichtiges Element eines Textes fehlt in der obigen
Aufzählung. Es ist dies der Zwischenraum zwischen Zeichen. Dabei
ist er ungemein wichtig, indem er die Gruppierung von Zeichen in
Worte ermöglicht. EinTextohneZwischenraumliestsichsehrschlecht.
Damit haben wir schon alle Elemente eines Textes und damit einer
Textdatei zusammen. Buchstaben und Ziffern enthalten, geeignet
zusammengesetzt, die eigentliche Information (nämlich Worte und Zahlen),
Leerräume trennen Einheiten auf kleinstem Niveau (wiederum Worte
und Zahlen) und Symbole ermöglichen eine Strukturierung auf
höherem Niveau (Sätze, Satzteile).
Wenn wir dieses Verfahren ausnutzen, dann sollten wir eigentlich
einen gut lesbaren Text erhalten.
Dies tun wir und erhalten den folgenden Aufbau. Zunächst gibt
es Worte. Sie bestehen aus Buchstaben und Zahlen, sowie den
Symbolen Trennstrich (-), Schrägstrich (/),
senkrechte Strich (|), Pluszeichen (+),
Fragezeichen (?) und
Punkt (.)[Dass der Punkt zu den `Buchstaben' gehört
ist ein wenig unglücklich, ergibt sich jedoch aus der in der
Informatik eingeführten Notation, bei der der Punkt Elemente
verschiedener Hierarchiestufen trennt].
Ein Wort endet, wenn ein Repräsentant des Zwischenraums, also
ein Leerzeichen, Tabulatorzeichen oder Zeilenvorschub auftritt.
Das nächste Wort beginnt, wenn dieser Zwischenraum zu Ende ist.
Das heißt, wenn auf ein Leerzeichen ein weiteres folgt, dann
gehört dies zum selben Zwischenraum. Dies gilt für beliebig
lange Folgen der oben genannten Repräsentanten des Zwischenraums.
Das stimmt so noch nicht ganz. Im ordentlichen Schriftsatz
folgen Satzzeichen direkt auf ein Wort ohne einen eingeschobenen
Zwischenraum. Das heißt, ein Wort muss auch zu Ende sein, wenn
ein `Satzzeichen' folgt. In unserem Fall sind die Satzzeichen:
Doppelpunkt (:), Strichpunkt (;),
Stern (*), geschweifte, eckige und runde
Klammern und das Größer-Als-Zeichen (>).
Ihre Bedeutung wird weiter noch unten erklärt.
Nun ergibt sich aber ein echtes Problem. Wenn wir etwa
den Namen einer Firma angeben wollen, so kann dieser durchaus
selber schon Zwischenraum enthalten, z.B. `Deutsche Bahn AG'.
Andererseits wird die Grammatik verlangen, dass der Name nur
ein einziges Wort ist, um ihn vom nachfolgenden Text unterscheiden
zu können. Das geht aber jetzt irgendwie nicht. Wenn etwas nicht
geht, dann benötigt man eine Erweiterung des Konzeptes. In unserem
Fall nehmen wir die Art, wie man eine wörtliche Rede in seinen
Text einfügt. Man umschließt sie mit Anführungszeichen.
Wir definieren also, dass ein Wort, dass mit einem
Anführungszeichen, egal ob einem einfachen oder doppelten,
beginnt solange weitergeht, bis wir auf ein weiteres
Anführungszeichen des gleichen Typs stoßen. Der Nachsatz `gleichen
Typs' soll bedeuten, dass ein mit einem doppelten Anführungszeichen
begonnenes Wort auch mit einem doppelten endet, also beliebig viele
einfache Anführungszeichen enthalten kann.
Nebenbei bemerkt reden wir hier von den geraden Anführungszeichen,
also denen, die auf der deutschen Tastatur über der 2 bzw. dem
Doppelkreuz liegen, nicht etwa den typographisch korrekten Symbolen.
Damit haben wir, bis auf einen Spezialfall, das Grundprinzip
unserer Grammatik einführt. Das ganze wird nochmals systematisch
im nächsten Kapitel zusammengefasst. Dort wird dann auch der
Spezialfall beschrieben.
Zum Seitenanfang
3.1.2 Objekte und Objektklassen
Im letzten Kapitel haben wir allerlei Dinge eingeführt, die
wir beschreiben wollen können: Strecken, Trassen, Betriebsstellen,
Firmen. Ein konkretes solches `Ding' das beschrieben wird, nennen
wir ein Objekt, also etwa die Strecke 92100 oder die Betriebsstelle
Hinterkleintupfingen.
Die eingeführten Konzepte bezogen sich aber nicht auf einzelne
Dinge, sondern immer auf alle Dinge einer gleichen Art. Alle
Strecken, alle Betriebsstellen und so weiter. Den
Vorgang der Zuordnung von Dingen zu Gruppen gleichartiger Dinge
nennt man Klassifizierung und die Gruppen (Objekt-)Klassen.
Wir wissen somit, was wir beschreiben wollen, nämlich Objekte,
die zu Objektklassen gehören. Immer wenn wir eine bestimmte
Information angeben, werden wir sie mit der Angabe zum Objekt
beginnen, auf das sich die Information beziehen soll. Wir
wählen dazu die Form `<Objektklasse> <Objekt>', damit
ein eher dummes Programm sofort weiß, womit es es zu tun hat.
Was ist `<Objektklasse>'? Ganz einfach ein Wort, dass
die Klasse bezeichnet. Es sind dies die Worte `strecke', `trasse',
`betrst' und `firma'. Und `<Objekt>' ist der Objektbezeichner,
nämlich eine eindeutige Bezeichnung jedes Objektes. Es sind dies
die Streckennummer, der Trassenname und die Schlüsselnamen von
Betriebsstellen und Firmen.
Zum Seitenanfang
3.1.3 Fakten und Einträge
Eine einzelne Information in ihrer formalisierten Erscheinung
nennen wir Fakt. Ein Eröffnungsdatum ist zum Beispiel
so ein Fakt, aber auch der Name oder Rang. Ein Fakt ist noch
nicht einem bestimmten Objekt zugeordnet, sondern nur die
reine Information, also zum Beispiel `eröffnet am 12. Oktober
1893' oder `Rang Bahnhof'.
Ordnet man einen solchen Fakt einem Objekt, nämlich der Strecke
oder der Betriebsstelle zu, so entsteht ein Eintrag. Da zu
einem Objekt meist ganz viele Fakten auftreten, ist es sinnvoll,
in einem Eintrag ganz vielen Fakten sammeln zu können. Andererseits
kann es vorteilhaft sein, die Fakten an verschiedenen Punkten
anzugeben. So ist es zum Beispiel sinnvoll, die Lage der
Betriebsstellen an einer bestimmten Strecke hintereinander weg
anzugeben. Die übrigen Fakten zu den Betriebsstellen wird man
aber nur einmal angeben, so dass zu den Knotenbahnhöfen mehrere
Einträge jeweils im Kontext der verschiedenen Strecken entstehen,
aber nur in einem Eintrag die übrigen Fakten wie Rang und Name
erscheinen.
Wie sieht ein Eintrag denn nun aus. Machen wir das an einem
Beispiel der fiktiven Betriebsstelle Klein Tupfingen an
der ebenso fiktiven Strecke 92130:
betrst Klein-Tupfingen {
lage - 92130/12,30 [Mueller02];
rang - Bf ;
rang 1982-12-01 Hp
(Stilllegung Stw Tf) [Mueller02];
name - "Klein Tupfingen" ;
}
Aha. Was besagt das nun? Die ersten zwei Worte bezeichnen das
Objekt, hier die Betriebsstelle mit dem Schlüsselname Klein-Tupfingen.
Die öffnende geschweifte Klammer besagt, dass es nun mit den Fakten
losgeht. Es folgen sogleich vier Fakten, die Lage, Rang und Name der
Betriebsstelle bestimmen. Die vier Fakten beginnen wie alle Fakten
mit einem Wort, dass bestimmt, worum es in dem Fakt überhaupt geht.
Das nennen wir den Fakttyp und hier sind es die Typen `lage', `rang'
und `name'. Alle Fakten gehen nun weiter mit einer bestimmten Anzahl
Worte. Diese Worte werden im mathematischen Sinne Argumente genannt.
Wieviele das sind und was sie besagen, hängt vom Fakttyp ab.
Unsere drei Typen bestehen alle aus zwei Worten, das erste gibt das
Datum an, das zweite die Lage, den Rang bzw. den Namen. Das Datum
`-' besagt, dass das frühestmögliche Datum anzuwenden ist, hier
vermutlich die Eröffnung der Strecke 92130. Rang taucht zweimal
auf, was uns erklären will, dass die Betriebsstelle als Bahnhof
eröffnet wurde und zum 1. Dezember 1982 zum Haltepunkt zurückgebaut
wurde.
Auf die vom Faktentyp vorgegebene Wortzahl (wobei einige Faktentypen
optionale Argumente haben) kann nun eine Bemerkung in runden Klammern
folgen, auf die wiederum beliebig viele Referenzen zu Quellen folgen
dürfen, die in eckigen Klammern stehen. In unserem Beispiel hat der
zweite Rang-Fakt eine Bemerkung sowie eine Referenz auf die Quelle
`Mueller02'.
Am zweiten Rang-Fakt kann man ebenfalls erkennen, dass Zeilenumbrüche
keine Bedeutung haben. Es ist vielmehr so, dass man beim Editieren von
Einträgen darauf achten sollte, eine Zeilenlänge von 80 Zeichen nicht
zu überschreiten. Dann können die Einträge auch auf primitiven Displays
oder Druckern ausgegeben werden. Wo wir gerade bei Stilfragen sind:
Im Beispiel sieht man auch, dass gleichartige Elemente in der gleichen
Textspalte beginnen. Ein solches Vorgehen ist der Lesbarkeit natürlich
sehr zuträglich.
Zum Seitenanfang
3.2 Datentypen
Die bisherige Tiefe der Formalisierung reicht noch nicht aus. Bislang
können wir nur Worte hinschreiben. Ein Computerprogramm kann sie
entweder nehmen, wie sie sind (z.B. den Namen einer Betriebsstelle)
oder mit vorgegebenen Worten vergleichen (Objektklassen und Fakttypen).
Wenn wir aber die Lage einer Betriebsstelle angeben, so soll das
Programm daraus Strecke und Punkt auf dieser Strecke ermitteln können.
Geben wir zwei Kalenderdaten an, so soll das Programm diese vergleichen
können.
Dazu brauchen wir eine genaue Beschreibung, wie Lage-Angaben und
Daten aufgebaut sein sollen. Dies wollen wir in diesem Abschnitt
tun. Er enthält wiederum eine Prosabeschreibung. Die genauen
Regeln befinden sich im Anhang.
Zum Seitenanfang
Von den vielen verschiedenen Möglichkeiten, ein Datum darzustellen,
verwenden wir die von DIN und ISO propagierte Schreibweise, die ein
Datum in Jahr, Monat und Tag anordnet und diese durch Bindestriche
trennt. Der 6. Dezember 1982 wird also als 1982-12-06
geschrieben. Die einzelnen Teile müssen auf 4 bzw. 2 Ziffern
aufgefüllt werden, wie man dies bei der 6 im Beispiel sehen kann.
Das reicht uns aber noch nicht. Denn wir wollen außerdem
Zeiträume und Alternativen darstellen können. Ersteres begegnet
uns etwa, wenn wir den Abbau einer Strecke beschreiben wollen:
Abgebaut vom 3. Juni 1974 bis 18. Juni 1974. Dieses `bis'
drücken wir durch den Operator / (Schrägstrich) aus,
mit dem wir einfach zwei Datumsangaben verbinden:
1974-06-03/1974-06-18. Beachte, dass nirgendwo Leerzeichen
eingeschoben werden dürfen, da ja sonst das Wort und damit das
Datum zu Ende wäre.
Alternativen werden genauso angegeben, nur das der Schrägstrich
durch den senkrechten Strich | ersetzt wird, der für
`oder' steht. Bei einer Alternative dürfen auch mehr als zwei
Daten angebenen werden, was bei einem Zeitraum eher sinnfrei
ist.
Schließlich führen wir noch eine Abkürzung ein, nämlich eine
Datumsangabe, die nur aus einem Bindestrich - besteht.
Sie soll `frühestmöglich' bedeuten. Sie wird etwa verwendet, wenn
wir den Eröffnungszustand einer Strecke beschreiben. Wir müssten
dann bei Lage, Rang und Name jeder Betriebsstelle das
Eröffnungsdatum der Strecke eintragen. Das ist aber erstens viel
zu viel Schreibarbeit und zweitens recht unpraktisch, sollten wir
feststellen, dass das Eröffnungsdatum falsch war. Wir tragen also
überall nur - als Datum ein und ein Programm kann dieses
Datum automatisch durch das richtige ersetzen, sollte es nötig
werden.
Zum Seitenanfang
3.2.2 Angabe von Punkten im Netz
Sehr häufig werden wir beschreiben müssen, wo sich ein bestimmter
Punkt im Netz befindet. Wir haben im letzten Kapitel gesehen, dass
wir dazu eine Strecke oder Trasse und eine Kilometerangabe auf
dieser verwenden. Das ermöglicht es, drei verschiedene Angaben zu
Netzpunkten zu machen: Strecke/Trasse und Kilometer, nur Kilometer
oder nur Strecke/Trasse (Das letzte gibt natürlich keinen Punkt an).
Wir werden fürderhin für diese drei Möglichkeiten die Begriffe
Netzpunkt, Streckenpunkt und Strecke verwenden. Beachte, dass der
Begriff Strecke in diesem Zusammenhang Trassen automatisch
einschließt.
Einen Streckenpunkt geben wir an, wenn wir im Kontext einer Strecke
arbeiten. Hier wäre es müßig, jedesmal die Streckennummer mit
anzugeben. Diese kennen wir ja bereits. Für die Angabe eines
Streckenpunktes gibt es zwei Möglichkeiten. Entweder es wird direkt
eine Kilometerangabe gemacht, oder wir beziehen uns auf die
Lage einer Betriebsstelle. Wollen wir uns darauf
beziehen, geben wir einfach den Schlüsselnamen der Betriebsstelle
an.
Ansonsten müssen wir Kilometer direkt angeben. Das Format dazu
ist das für Dezimalbrüche in Deutschland übliche, nämlich
ganzzahliger Teil -- Komma -- Nachkommastellen. Es werden immer
genau so viele Nachkommastellen angegeben wie bekannt sind. Dass
heißt, wenn die Angabe auf 10 Meter genau bekannt ist, aber die
letzte Stelle eine Null wäre so darf diese nicht weggelassen
werden, da man dann auf eine auf 100 Meter genaue Angabe schließen
könnte. Die Angabe 13,1 ist also von 13,10 derart verschieden,
dass die erste Angabe aus dem Bereich 13,05 bis 13,14 gerundet
sein kann, die zweite aber nicht.
Schwieriger wird es, wenn wir Trassenverlegungen beachten müssen.
Wird eine Strecke dadurch verkürzt, haben wir kein Problem, ein
bestimmter Bereich der Kilometerangaben wird einfach ungültig.
Ein solcher Sprung heißt »Fehlstelle«.
Wenn aber die Strecke verlängert wird, dann müssen wir einige
Meter einschieben, es entsteht eine »Überlänge«
Um Punkte auf dieser Überlänge angeben zu
können, wird zunächst ihr Beginn angegeben. Darauf folgt ein
Pluszeichen und eine Angabe über die Entfernung von diesem
Punkt. Diese letzte Angabe erfolgt in Metern. Ist sie nur auf
10 oder 100 Meter genau bekannt, werden die unbekannten Zehner-
und Einerstellen nicht mit Null angegeben, sondern mit einem
Punkt.
Das Bild links stellt die
Situation einer Streckenverlegung dar. Die ursprüngliche
Strecke verlief direkt vom Punkt A zum Punkt D. Später wurde
die Strecke in einem großen Bogen via die Punkte B und C neu
trassiert. Die neue Kilometierung läuft auf dieser Verlegung
zunächst ganz normal weiter bis zum Punkt B. Hier erreicht
sie den selben Wert, wie in Punkt D der alten Trasse. Der
Einschub beginnt. Punkt C ist eine neue Station auf der
verlegten Trasse. Wir kennen ihre Lage nur auf 100 Meter
genau und geben sie deshalb mit 53,120+1.. an. In Punkt D
endet die verlegte Trasse und auch der Einschub. Er ist
452 Meter lang, also erhält D den neuen Kilometerwert von
53,120+452. Hinter D geht die orignale Kilometierung
weiter.
Nun, da wir Streckenpunkte beschreiben können, ist es nicht
mehr weit bis zu Netzpunkten. Alles was wir dazu noch
brauchen ist die Streckenangabe. Die kennen wir schon, denn
sie ist nichts anderes als die Strecken- oder Trassennummer.
Beides wird mittels eines Schrägstrichs zu einem Netzpunkt
kombiniert. Wenn also die oben gezeichnete Strecke die Nummer
92130 trüge, dann wird Punkt C beschrieben als
92130/53,120+1.. Falls die verlegte Trasse 92130Ax2
heißt, dann könnten wir ihn genauso ansprechen mittels
92130Ax2/53,120+1.. wenn wir Angaben für die Zeit
machen wollen, da die neue Trasse noch nicht zur Strecke
gehört hat.
Zum Seitenanfang
3.2.3 Unbenannte Abschnitte
Ebenso häufig müssen wir Abschnitte angegeben, zum Beispiel
immer dann, wenn wir das Eröffnungsdatum einer Teilstrecke
eintragen wollen. Ein solcher Abschnitt besteht aus zwei
Streckenpunkten, nämlich dem Anfangspunkt und dem Endpunkt,
die durch den Operator > getrennt werden. Die
Verwendung eines Operators hat zur Folge, dass zwischen
Anfangspunkt und > sowie zwischen >
und Endpunkt Leerzeichen stehen dürfen, aber nicht müssen.
Einen Sonderfall gibt es noch. Für den Beginn und das Ende
einer Strecke kann man statt eines Streckenpunktes auch den
Operator * eintragen. Dies ist zum Beispiel zwingend
nötig, wenn man einen benannten Abschnitt definiert, der am
Streckenanfang beginnt und an einem bestimmten Punkt endet.
Man benötigt ihn, wenn es eine Neutrassierung am Streckenanfang
gab.
Zum Seitenanfang
Was uns außerdem zuweilen begegnet, ist Zweifel an Datumsangaben.
Dieser tritt in zwei Formen auf. Entweder ist der Zweifel bereits
in der Quelle aus der wir unsere Daten beziehen enthalten oder
wir haben die Daten auf `ungewöhnlichem' Wege erlangt und wollen
darstellen, dass wir selbst, also die Eintragenden, den Daten
nicht so recht trauen. Ein Beispiel für letzteres wäre es, die
Lage einer Betriebsstelle aus einem Kursbuch zu ermitteln.
Die Zahlenwerte dort weichen gelegentlich aufgrund von
Rundungsfehlern von den tatsächlichen Zahlen ab.
Zweifel drücken wir vernünftigerweise durch Fragezeichen aus.
Ein Fragezeichen steht für offiziellen Zweifel, also solchen
bereits in der Quelle vorkommenden. Zwei Fragezeichen stehen
für Zweifel des Eintragenden. Die Fragezeichen werden immer
hinten angehängt. Bei Zweifel an der Lage einer Betriebsstelle
für der Netzpunkt etwa so angegeben: `92130/23,1??'.
Die doppelten Fragezeichen dürfen auch alleine stehen. Sie
bedeuten dann einen unbekannten Wert. Sie stehen etwa für eine
unbekannte Lage einer Betriebsstelle oder wenn wir zwar wissen,
dass ein Ereignis stattgefunden hat, aber nicht, wann.
Zum Seitenanfang
Zuletzt geändert am 7. III. 2003.
Anregungen, Kommentare und Kritik an
Martin Hoffmann <hn@nvnc.de>.