Metadata

de data der beskriver andre data, så de kan findes

Hvad det er

Metadata er data, hvis emne er andre data: titlen, datoen, sproget, forfatteren, formatet og størrelsen, der følger med et dokument, så mennesker og programmer kan sortere det, stole på det og handle på det, før nogen har læst indholdet. I det daglige har metadata smallere navne alt efter, hvor de bor: headerfelter i HTTP, egenskaber i et kontordokument, tags i et foto og front matter øverst i en Markdown-side. Ældre engelske standarder staver ordet meta-data med bindestreg.

Man skelner gerne mellem tre slags. Beskrivende metadata fortæller, hvad noget handler om: titel, ophav, emne og resumé. Strukturelle metadata fortæller, hvordan delene hænger sammen: kapitler, sider og læserækkefølge. Administrative metadata fortæller, hvor noget kommer fra, og hvad man må gøre med det: hvornår det blev oprettet og ændret, af hvem, under hvilken licens og i hvilket format. Den bedst kendte fælles liste over beskrivende felter er Dublin Core, hvis femten elementer blev standarden ISO 15836 i 2003, og titel, ophav, dato, sprog og rettigheder derfra går igen under andre navne i næsten alle senere formater.

En webside bærer metadata i lag. Først kommer HTTP-svaret. Ifølge RFC 9110 kan et headerfelt ændre eller udvide beskedens betydning, beskrive afsenderen, definere indholdet eller give ekstra kontekst, og Content-Type, Content-Language og Last-Modified fortæller om siden, før dens første byte er nået frem. I selve HTML’en ligger <title>, attributten lang og de <meta>-elementer, hvis navne HTML-standarden fastlægger, for eksempel description, author og generator. Oven på dem kommer ordforråd, som andre parter læser: Open Graph-egenskaber til linkforhåndsvisninger og strukturerede data til søgemaskiner og assistenter.

Hvad adskiller så metadata fra data? Læseren, snarere end selve tegnene. En katalogpost er metadata om en bog, men for kataloget er den selve datasættet; et fotos optagelsestidspunkt er en detalje for den, der kigger på billedet, og råmateriale for den, der kortlægger, hvor billeder bliver taget. Metadata kontra strukturerede data er et snævrere spørgsmål, og svaret er, at strukturerede data er metadata skrevet i et fælles ordforråd, så et program kan læse et felt uden at gætte på, hvad det betyder.

Hvorfor det betyder noget

Hvert felt er et lille løfte, og den beslutning, der tæller, er, hvor hvert enkelt henter sin værdi: fra en person, der skriver den, fra versionshistorikken, fra en databasekolonne eller fra det, filsystemet tilfældigvis melder. Programmer handler på de løfter uden at efterprøve dem. Det er hele pointen med metadata, og det er også risikoen.

Caches og crawlere fordeler deres arbejde efter dem. En browser med en kopi af en side sender den Last-Modified-dato tilbage, den fik, og når siden er uændret, får den et kort 304 Not Modified i stedet for hele siden igen. RFC 9110 beder en server sende den dato, når den seneste ændring kan fastslås rimeligt og konsekvent, og betingelsen virker begge veje: hvor der ikke findes en konsekvent dato, beder standarden heller ikke om en. Ændringsdatoen i et sitemap gør det samme for en crawler, der skal vælge, hvad den henter igen.

Mennesker og hjælpemidler læner sig også op ad dem. Attributten lang fortæller en skærmlæser, hvilke udtaleregler den skal bruge, og titlen er det, en fane, et bogmærke og et søgeresultat viser. Rettigheder rejser på samme måde: en pakkehåndtering kender en afhængigheds licens, fordi afhængigheden selv har erklæret den, så en licensgennemgang bygget på den liste er præcis så god som erklæringerne nedenunder.

Hvert felt skal blive ved med at være sandt, så en side med fyrre felter har fyrre chancer for at tage fejl. Nogle felter læser ingen: HTML-standarden bemærker, at mange søgemaskiner ser bort fra navnet keywords, fordi det har været brugt til at spamme søgeresultater. Og metadata lækker, for et fotos position eller et dokuments revisionshistorik kan sige mere end selve indholdet. Få felter, der hver især udfyldes fra en kilde, som ikke kan glide, slår som regel mange.

Sådan ser det ud i praksis

Metadata dukker op i tre af projekterne på dette site, hver gang i en anden slags fil: et sitemap, en række PDF’er og en afhængighedsgraf.

Et sitemap påstod engang, at 172 af 176 sider var ændret i samme øjeblik. Datoen kom fra filernes ændringstidspunkt, og indholdseksporten skriver alle filer om ved hver kørsel. Nu går datoen gennem en kæde af kilder: først et eksplicit felt, så commit-historikken og til sidst filen. Kæden har en fælde, som projektet skrev ned: feltets eget navn skal stå på listen, ellers læser generatoren aldrig feltet. Databasen bag siderne holder desuden styr på, hvornår en post blev skrevet og revideret, adskilt fra de år, hvor selve arbejdet fandt sted, og hvor ingen kender datoen, står feltet blankt, fordi et præcist, men forkert tal bliver troet, mens et manglende tal ikke gør. En gensynkronisering efter en måneds rettelser rører nu 8 af 186 filer.

Da ni genererede PDF-dokumenter blev målt mod tilgængelighedsstandarden, skulle der et erklæret dokumentsprog og en rigtig titel i metadataene til, sammen med tagget struktur, alternativ tekst og en eksplicit læserækkefølge, før alle 106 regler bestod. I arkivprofilen fejler de samme dokumenter præcis én regel af 146, og projektsiden regner det ikke for overholdelse: med 145 beståede regler afviser et system, der håndhæver standarden, stadig dokumentet.

Og da licenserne i 644 Rust-crates blev tjekket ved hver bygning, var revisionens erklærede grænse en grænse ved metadata. Tjekket læser hver crates erklærede licens, erklæringer kan være forkerte eller ufuldstændige, og tjekket beviser intet om en crate, der erklærer sig forkert. Det blev to gange med vilje provokeret til at stoppe bygningen, hvilket viser, at det virker; om erklæringerne, det læser, er ærlige, kan intet tjek vise.

Hvor det går galt

Fejlene herunder har ét træk til fælles: hvert tjek, der ikke leder efter dem, består.

Hver side melder om en ændring efter hver udrulning. En webserver, der sender en statisk fils ændringstidspunkt som Last-Modified, eller en generator, der daterer et sitemap på samme måde, melder om det øjeblik, filen blev kopieret, og en kloning af repositoryet, en eksport eller et container-build kopierer dem alle. Caches revaliderer alt, og crawlere lærer intet. Tag datoer fra versionshistorikken eller fra et felt, et menneske har skrevet, og lad en dato, som ingen kender, forblive fraværende. I Hugo er kilderne en liste, der læses i rækkefølge, og feltets eget navn skal stå i den:

enableGitInfo = true

[frontmatter]
date = ["date", ":git", ":fileModTime"]
lastmod = ["lastmod", ":git", ":fileModTime"]

En titel eller en linkforhåndsvisning viser forvanskede tegn. Tegnkodningen er metadata om hver eneste anden byte, og en parser, der møder tekst før erklæringen, må gætte. HTML-standarden kræver, at det element, der erklærer den, står helt inden for de første 1.024 byte, og står det først i <head>, er der intet at gætte på. På dette site læste Bings URL Inspection engang titlen og begge Open Graph-strenge som Latin-1, fordi en lang tankestreg i titlen kom før charset-erklæringen. HTTP-headeren nævnte også UTF-8, men et værktøj, der læser filen uden headeren, har kun siden selv at gå efter. Nu er charset det første element, og et tjek kontrollerer rækkefølgen på hver bygget side.

Det samme faktum siger forskellige ting forskellige steder. En sides titel bor i <title>, i og:title, i dens strukturerede data og, for en PDF, i dokumentegenskaberne; dens sprog bor i lang, i Content-Language og i og:locale. Skrives de hver for sig, glider de fra hinanden, og hver modtager tror på sin egen udgave. Beregn hver værdi ét sted, i én skabelon eller funktion, og lad alle steder, der skriver den ud, læse netop den værdi.

En fil fortæller mere, end forfatteren ville offentliggøre. Fotos bærer kameraet, tidspunktet og ofte positionen; kontordokumenter bærer forfatternavne, redigeringshistorik og skabelonstier; et generator-tag navngiver den software, der byggede en side. Fjern ved eksport det, som ingen har valgt at offentliggøre, og behandl hvert felt som tekst, en fremmed vil læse.

Læs mere

Ordliste