Metadata

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 dato, der kan fastslås pålideligt, 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, der ikke kommer ud af trit med
indholdet, 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. På det dokumenterede
implementeringstrin berørte en gensynkronisering efter en måneds
rettelser 8 af 186 filer.

På det dokumenterede valideringstrin bestod ni genererede
PDF-dokumenter, der blev målt mod tilgængelighedsstandarden alle 106
konfigurerede regler i tilgængelighedsprofilen. Arbejdet omfattede
et erklæret dokumentsprog og en rigtig titel i metadataene sammen
med tagget struktur, alternativ tekst og en eksplicit
læserækkefølge. I den dokumenterede kørsel fejlede de samme
dokumenter på præcis én regel af 146 i arkivprofilen. Projektsiden
beskriver, hvor tæt resultatet var på at opfylde kravene, og
navngiver den regel, der fejlede, fordi 145 beståede regler ikke er
ensbetydende med overholdelse af standarden.

Og da licenserne i 644 Rust-crates blev tjekket ved hvert build, 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
buildet, 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:

```toml
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

  * RFC 9110, section 6.3: Header Fields — hvordan HTTP bærer
metadata foran indholdet, og hvad et headerfelt må gøre.

  * RFC 9110, section 8.8.2: Last-Modified — hvornår en server bør
sende en ændringsdato, og hvorfor en dato i fremtiden erstattes.

  * HTML Standard: the meta element — standardnavnene for metadata
og reglerne for at erklære en tegnkodning.

  * DCMI Metadata Terms — Dublin Cores femten elementer og det
ordforråd, der er bygget omkring dem.

  * The Open Graph protocol — de fire egenskaber, protokollen kræver
på hver side, og de valgfrie omkring dem.

hDenne side på nettet	URL:https://engineer.company/da/glossary/metadata/	engineer.company	70
