Metadaten

Was es ist

Metadaten sind Daten über andere Daten: Titel, Datum, Sprache,
Autor, Format und Größe, die ein Dokument begleiten. So können
Menschen und Programme es sortieren, ihm vertrauen und darauf
reagieren, bevor sie es lesen. Ältere Standards schreiben meta-data
mit Bindestrich. Im Alltag heißen sie enger gefasst Headerfelder in
HTTP, Eigenschaften einer Office-Datei, Tags eines Fotos oder Front
Matter am Anfang einer Markdown-Seite.

Eine verbreitete Einteilung unterscheidet drei Arten. Beschreibende
Metadaten sagen, worum es geht: Titel, Ersteller, Thema,
Zusammenfassung. Strukturelle Metadaten sagen, wie die Teile
zusammengehören: Kapitel, Seiten, Lesereihenfolge. Administrative
Metadaten sagen, woher etwas stammt und was damit geschehen darf:
wann und von wem es erstellt und geändert wurde, unter welcher
Lizenz und in welchem Format. Der Dublin Core mit fünfzehn
Elementen, der 2003 zum Standard ISO 15836 wurde, ist die
bekannteste gemeinsame Liste beschreibender Felder. Seine Angaben zu
Titel, Ersteller, Datum, Sprache und Rechten erscheinen seither
unter anderen Namen in fast jedem Format wieder.

Eine Webseite trägt Metadaten in Schichten. Zuerst kommt die
HTTP-Antwort. RFC 9110 sagt, ein Headerfeld könne „die
Nachrichtensemantik ändern oder erweitern, den Absender beschreiben,
den Inhalt festlegen oder zusätzlichen Kontext liefern“.
`Content-Type`, `Content-Language` und `Last-Modified` beschreiben
die Seite, bevor ein Byte davon ankommt. Im HTML stehen `<title>`,
das Attribut `lang` und `<meta>`-Elemente mit vom HTML-Standard
definierten Namen wie `description`, `author` und `generator`.
Darüber kommen Vokabulare, die andere Beteiligte lesen:
Open-Graph-Eigenschaften für Linkvorschauen und strukturierte Daten
für Suchmaschinen und Assistenten.

Was trennt also Metadaten von Daten? Eher der Leser als die Bytes.
Ein Katalogeintrag besteht aus Metadaten über ein Buch und bildet
für den Katalog zugleich den vollständigen Datensatz. Der
Aufnahmezeitpunkt eines Fotos ist für den Betrachter ein Detail und
für jemanden, der Aufnahmeorte kartiert, das Rohmaterial. Enger
gefasst ist die Frage nach dem Unterschied zwischen Metadaten und
strukturierten Daten. Die Antwort ist, dass strukturierte Daten
Metadaten in einem gemeinsamen Vokabular sind. Ein Programm kann
dadurch ein Feld lesen, ohne seine Bedeutung erraten zu müssen.

Warum es wichtig ist

Jedes Feld ist ein kleines Versprechen. Entscheidend ist, woher es
seinen Wert bekommt: von einer tippenden Person, aus der
Versionsgeschichte, einer Datenbankspalte oder dem, was das
Dateisystem gerade meldet. Programme handeln nach diesen
Versprechen, ohne sie zu prüfen. Das ist der Zweck von Metadaten und
ihr Risiko.

Caches und Crawler richten ihren Aufwand danach aus. Ein Browser mit
einer gespeicherten Seitenkopie sendet das erhaltene Datum aus
`Last-Modified` zurück. Hat sich nichts geändert, erhält er eine
kurze Antwort `304 Not Modified` statt erneut der Seite. RFC 9110
fordert einen Server auf, dieses Datum für jede Repräsentation zu
senden, deren letzte Änderung „vernünftig und konsistent bestimmt
werden kann“. Die Bedingung gilt in beide Richtungen: Gibt es kein
konsistentes Datum, fordert der Standard keines. Das Änderungsdatum
einer Sitemap erfüllt denselben Zweck für einen Crawler, der
entscheidet, was er erneut abruft.

Auch Menschen und assistive Technik hängen davon ab. Das Attribut
`lang` sagt einem Screenreader, welche Ausspracheregeln er anwenden
soll. Der Titel erscheint im Tab, im Lesezeichen und im
Suchergebnis. Rechte werden genauso weitergegeben: Ein Paketmanager
kennt die Lizenz einer Abhängigkeit nur, weil sie diese angegeben
hat. Eine auf dieser Liste beruhende Lizenzprüfung ist deshalb
genauso gut wie die zugrunde liegenden Angaben.

Jedes Feld muss wahr bleiben. Eine Seite mit vierzig Feldern bietet
deshalb vierzig Gelegenheiten für Fehler. Manche Felder liest
niemand: Der HTML-Standard merkt an, dass viele Suchmaschinen den
Namen `keywords` nicht berücksichtigen, weil er zum Spammen von
Ergebnissen benutzt wurde. Metadaten geben außerdem Informationen
preis. Der Standort eines Fotos oder die Überarbeitungsgeschichte
eines Dokuments kann mehr verraten als sein Inhalt. Wenige Felder,
deren Werte jeweils aus einer gegen Abweichungen abgesicherten
Quelle stammen, sind gewöhnlich besser als viele.

Wie es in der Praxis aussieht

Metadaten treten in drei Projekten dieser Website auf, jedes Mal in
einer anderen Dateiart: einer Sitemap, einer Gruppe von PDFs und
einem Abhängigkeitsgraphen.

Die Sitemap einer Website bezog ihre letzten Änderungszeitpunkte aus
den falschen Metadaten, sodass 172 ihrer 176 Seiten am Ende
denselben Zeitpunkt teilten. Es waren Änderungszeiten von Dateien,
also Metadaten über die Bytes statt über den Inhalt. Jeder Lauf des
Inhaltsexports schrieb sie sämtlich neu. Die Korrektur liest eine
Rückfallkette: zuerst ein ausdrücklich gesetztes Feld, danach die
Commit-Geschichte, dann die Datei. Sie hält auch die darin liegende
Falle fest: Der wörtliche Feldname muss in der Liste stehen, sonst
liest der Generator das Feld überhaupt nicht. Die Datensätze hinter
den Seiten halten jetzt den Tag, an dem ein Eintrag geschrieben und
überarbeitet wurde, von den Jahren der eigentlichen Arbeit getrennt.
Ein unbekanntes Datum bleibt leer, nach der Regel „Eine präzise,
aber falsche Zahl ist schlimmer als eine fehlende“. Im
dokumentierten Implementierungsstand betraf eine erneute
Synchronisierung nach einem Monat Bearbeitungen 8 von 186 Dateien.

Im dokumentierten Validierungsstadium bestanden neun generierte
PDF-Dokumente, die am Barrierefreiheitsstandard gemessen wurden,
alle 106 konfigurierten Regeln des Barrierefreiheitsprofils. Zur
Arbeit gehörten eine angegebene Dokumentsprache und ein echter Titel
in den Metadaten sowie getaggte Struktur, Alternativtext und eine
ausdrückliche Lesereihenfolge. In diesem dokumentierten Lauf
scheiterten dieselben Dokumente im Archivprofil an genau einer von
146 Regeln. Die Seite bezeichnet das unter Nennung der
fehlgeschlagenen Regel als knapp verfehlt, denn 145 bestandene
Regeln bedeuten keine Konformität.

Und als die Lizenzen von 644 Rust-Crates bei jedem Build geprüft
wurden, war die erklärte Grenze der Prüfung eine Grenze von
Metadaten. Sie liest die von jedem Crate angegebene Lizenz. Angaben
können falsch oder unvollständig sein, und die Prüfung beweist
nichts über ein Crate mit einer falschen Angabe. Die Prüfung wurde
zweimal absichtlich zum Scheitern gebracht. Das zeigt, dass sie
funktioniert. Nichts, was eine Prüfung tut, kann zeigen, dass die
gelesenen Angaben ehrlich sind.

Wo es schiefgeht

Die folgenden Fehler haben eine Gemeinsamkeit: Jede Prüfung, die
nicht nach ihnen sucht, meldet Erfolg.

Jede Seite meldet nach jeder Auslieferung eine Änderung. Ein
Webserver, der die Änderungszeit einer statischen Datei als
`Last-Modified` sendet, oder ein Generator, der eine Sitemap so
datiert, meldet den Kopierzeitpunkt der Datei. Ein Checkout, Export
oder Containerbuild kopiert sie alle. Caches prüfen alles erneut auf
Gültigkeit, und Crawler erfahren nichts. Beziehen Sie Datumsangaben
aus der Versionsgeschichte oder einem von einem Menschen
geschriebenen Feld. Lassen Sie ein unbekanntes Datum fehlen. In Hugo
werden die Quellen als Liste der Reihe nach gelesen, und der eigene
Name des Felds muss darin stehen:

```toml
enableGitInfo = true

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

Ein Titel oder eine Linkvorschau zeigt kaputte Zeichen. Die Angabe
zur Zeichencodierung ist eine Metainformation über jedes andere
Byte. Ein Parser, der vor der Deklaration auf Text trifft, muss
raten. Der HTML-Standard verlangt, dass das deklarierende Element
vollständig in die ersten 1.024 Bytes passt. Steht es zuerst in
`<head>`, muss nichts erraten werden. Auf dieser Website las Bings
URL Inspection einmal den Titel und beide Open-Graph-Zeichenfolgen
als Latin-1, weil ein Geviertstrich im Titel vor dem Charset ankam.
Auch der HTTP-Header nannte UTF-8. Ein Werkzeug, das die Bytes ohne
Header liest, hat aber nur die Seite als Grundlage. Das Charset ist
jetzt das erste Element, und eine Prüfung bestätigt diese
Reihenfolge auf jeder gebauten Seite.

Dieselbe Tatsache sagt an verschiedenen Stellen etwas anderes. Der
Titel einer Seite steht in `<title>`, in `og:title`, in ihren
strukturierten Daten und bei einem PDF in den Dokumenteigenschaften.
Ihre Sprache steht in `lang`, in `Content-Language` und in
`og:locale`. Getrennt eingegeben driften die Werte auseinander, und
jeder Verbraucher glaubt einem anderen. Berechnen Sie jeden Wert
einmal in einem Template oder einer Funktion und lassen Sie jede
ausgebende Stelle diesen Wert lesen.

Eine Datei sagt mehr, als ihr Autor veröffentlichen wollte. Fotos
enthalten Angaben zur Kamera, zum Zeitpunkt und oft zum Standort.
Office-Dokumente enthalten Autorennamen, Bearbeitungsgeschichte und
Template-Pfade. Ein Tag `generator` nennt die Software, die eine
Seite gebaut hat. Entfernen Sie beim Export alles, dessen
Veröffentlichung niemand gewählt hat, und behandeln Sie jedes Feld
als Text, den ein Fremder lesen wird.

Weiterführende Lektüre

  * RFC 9110, Abschnitt 6.3: Headerfelder — wie HTTP Metadaten vor
dem Inhalt überträgt und was ein Headerfeld tun kann.

  * RFC 9110, Abschnitt 8.8.2: Last-Modified — wann ein Server ein
Änderungsdatum senden sollte und warum ein zukünftiges ersetzt wird.

  * HTML-Standard: das meta-Element — die standardisierten
Metadatennamen und Regeln für die Angabe einer Zeichencodierung.

  * DCMI-Metadatenbegriffe — die fünfzehn Dublin-Core-Elemente und
das darum aufgebaute Vokabular.

  * Das Open-Graph-Protokoll — die vier auf jeder Seite
erforderlichen Eigenschaften und die optionalen daneben.

hDiese Seite im Web	URL:https://engineer.company/de/glossary/metadata/	engineer.company	70
