Metadata

Hva det er

Metadata er data som handler om andre data: tittelen, datoen,
språket, forfatteren, formatet og størrelsen som følger med et
dokument, slik at mennesker og programmer kan sortere det, stole på
det og handle ut fra det før de har lest det. Eldre standarder
skriver ordet med bindestrek, meta-data, og i det daglige går
metadataene under smalere navn: headerfelt i HTTP, egenskaper i en
kontorfil, tagger i et bilde og front matter øverst i en
Markdown-side.

Det er vanlig å dele dem i tre slag. Beskrivende metadata forteller
hva noe handler om: tittel, opphav, emne og sammendrag. Strukturelle
metadata forteller hvordan delene henger sammen: kapitler, sider og
leserekkefølge. Administrative metadata forteller hvor noe kommer
fra og hva det er lov å gjøre med det: når det ble laget og endret,
av hvem, under hvilken lisens og i hvilket format. Dublin Core,
femten elementer som ble standarden ISO 15836 i 2003, er den best
kjente felles listen over beskrivende felt, og tittel,
opphavsperson, dato, språk og rettigheter derfra dukker opp igjen
under andre navn i nesten hvert format som har kommet siden.

En nettside bærer metadata i flere lag. Først kommer HTTP-svaret.
RFC 9110 sier at et headerfelt kan endre eller utvide betydningen av
meldingen, beskrive avsenderen, definere innholdet eller gi mer
kontekst, og `Content-Type`, `Content-Language` og `Last-Modified`
beskriver siden før en eneste byte av den er kommet fram. Inne i
HTML-en ligger `<title>`, `lang`-attributtet og `<meta>`-elementer
med navn som HTML-standarden definerer, f.eks. `description`,
`author` og `generator`. Over dem igjen ligger vokabularer som andre
parter leser: Open Graph-egenskaper til lenkeforhåndsvisninger og
strukturerte sidedata for søkemotorer og assistenter.

Hva skiller så metadata fra data? Mer leseren enn bytene. En
katalogpost er metadata om en bok, men for katalogen er postene
selve datagrunnlaget. Tidspunktet et bilde ble tatt, er en detalj
for den som ser på bildet, og råmateriale for den som kartlegger
hvor bilder blir tatt. Metadata mot strukturerte data er det smalere
spørsmålet, og svaret er at strukturerte data er metadata skrevet i
et felles vokabular, slik at et program kan lese et felt uten å
gjette hva det betyr.

Hvorfor det er viktig

Hvert felt er et lite løfte, og beslutningen som teller, er hvor
hvert felt henter verdien sin fra: en person som skriver den inn,
versjonshistorikken, en kolonne i en database eller det filsystemet
tilfeldigvis melder. Programmer handler på disse løftene uten å
kontrollere dem. Det er hele poenget med metadata, og samtidig
risikoen.

Cacher og søkeroboter fordeler innsatsen sin etter dem. En nettleser
som har en kopi av en side, sender tilbake `Last-Modified`-datoen
den fikk, og når ingenting er endret, får den et kort `304 Not
Modified` i stedet for hele siden på nytt. RFC 9110 ber en server
sende den datoen for enhver representasjon der den siste endringen
kan fastslås på en rimelig og konsekvent måte, og vilkåret skjærer
begge veier: der det ikke finnes noen dato som kan fastslås
pålitelig, ber standarden heller ikke om en. Endringsdatoen i et
sitemap gjør den samme jobben for en søkerobot som skal velge hva
den henter på nytt.

Mennesker og hjelpemidler er også avhengige av metadata.
`lang`-attributtet forteller en skjermleser hvilke uttaleregler den
skal bruke, og tittelen er det en fane, et bokmerke og et
søkeresultat viser. Rettigheter reiser på samme måte: en
pakkebehandler kjenner lisensen til en avhengighet bare fordi
avhengigheten selv har deklarert den, så en lisensgjennomgang bygget
på den listen er nøyaktig så god som deklarasjonene under.

Hvert felt må holde seg sant, så en side med førti felt har førti
sjanser til å ta feil. Noen felt leser ingen: HTML-standarden
påpeker at mange søkemotorer ser bort fra navnet `keywords`, fordi
det ble misbrukt til å fylle søkeresultater med spam. Og metadata
lekker, for posisjonen i et bilde eller revisjonshistorikken i et
dokument kan si mer enn innholdet. Færre felt, hvert fylt fra en
kilde som ikke kommer i utakt med innholdet, slår som regel mange.

Slik ser det ut i praksis

Metadata dukker opp i tre prosjekter på dette nettstedet, hver gang
i en annen type fil: et sitemap, et sett PDF-er og en
avhengighetsgraf.

Sitemapet til ett nettsted påsto en gang at 172 av de 176 sidene var
endret i samme øyeblikk. Datoene kom fra filenes endringstidspunkt,
et stykke metadata filsystemet fører selv, og innholdseksporten
flytter det for alle filene samtidig, siden den skriver hver av dem
på nytt ved hver kjøring. Rettelsen går gjennom en reservekjede,
først et eksplisitt felt, så historikken i git, så filen, og den
dokumenterer fellen i sin egen konfigurasjon: det bokstavelige
feltnavnet må stå i listen, ellers leser generatoren aldri feltet.
Postene bak sidene holder nå dagen hver oppføring ble skrevet og
revidert, atskilt fra årene selve arbeidet foregikk, og en dato
ingen kjenner, blir stående tom, ut fra prinsippet om at «et
presist, feil tall er verre enn et fraværende». På det dokumenterte
implementeringstrinnet berørte en ny synkronisering etter en måned
med endringer 8 filer av 186.

På det dokumenterte valideringstrinnet besto ni genererte
PDF-dokumenter målt mot standarden for universell utforming alle 106
konfigurerte regler i tilgjengelighetsprofilen. Arbeidet omfattet et
deklarert dokumentspråk og en reell tittel i metadataene, sammen med
tagget struktur, alternativ tekst og en eksplisitt leserekkefølge. I
den dokumenterte kjøringen feilet de samme dokumentene på nøyaktig
én regel av 146 i arkivprofilen. Siden beskriver hvor nær resultatet
var å oppfylle kravene, og oppgir regelen som feilet, fordi 145
beståtte regler ikke innebærer samsvar med standarden.

Og da lisensene til 644 Rust-crates ble kontrollert ved hvert bygg,
var den oppgitte grensen for revisjonen en grense i metadataene.
Kontrollen leser lisensen hver crate har deklarert, deklarasjoner
kan være feil eller ufullstendige, og kontrollen beviser ingenting
om en crate som deklarerer seg selv feil. Den ble provosert til å
feile med vilje to ganger, og det viser at kontrollen virker.
Ingenting en kontroll gjør, kan vise at deklarasjonene den leser, er
ærlige.

Hvor det går galt

Feilene nedenfor har ett trekk felles: alle kontroller som ikke
leter etter dem, består.

Hver side ser endret ut etter hver produksjonssetting. En webserver
som sender endringstidspunktet til en statisk fil som
`Last-Modified`, eller en generator som daterer et sitemap på samme
måte, oppgir øyeblikket filen ble kopiert, og en checkout, en
eksport eller et containerbygg kopierer alle sammen. Cacher
validerer alt på nytt, og søkerobotene lærer ingenting. Hent datoer
fra versjonshistorikken eller fra et felt en person har skrevet, og
la en dato ingen kjenner, forbli tom. I Hugo er kildene en liste som
leses i rekkefølge, og feltets eget navn må stå i den:

```toml
enableGitInfo = true

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

Tittelen eller lenkeforhåndsvisningen viser ødelagte tegn.
Tegnkodingen er metadata om hver eneste annen byte, og en parser som
møter tekst før deklarasjonen, må gjette. HTML-standarden krever at
elementet som deklarerer kodingen, får plass i sin helhet innenfor
de første 1 024 bytene, og legger du det først i `<head>`, blir det
ingenting å gjette på. På dette nettstedet leste URL-inspeksjonen i
Bing (URL Inspection) en gang tittelen og begge Open Graph-strengene
som Latin-1, fordi en lang tankestrek i tittelen kom før `charset`.
HTTP-headeren oppga også UTF-8, men et verktøy som leser bytene uten
headeren, har bare siden å gå etter. `charset` er nå det første
elementet, og en kontroll bekrefter rekkefølgen på hver bygde side.

Den samme opplysningen er forskjellig fra sted til sted. Tittelen på
en side bor i `<title>`, i `og:title`, i de strukturerte sidedataene
og, for en PDF, i dokumentegenskapene. Språket bor i `lang`, i
`Content-Language` og i `og:locale`. Skrevet inn hver for seg glir
de fra hverandre, og hver mottaker tror på sin versjon. Regn ut hver
verdi én gang, i én mal eller funksjon, og la hvert sted som skriver
den ut, lese akkurat den verdien.

Et dokument røper mer enn forfatteren mente å publisere. Bilder har
med seg kameraet, tidspunktet og ofte posisjonen. Kontordokumenter
har med seg forfatternavn, redigeringshistorikk og stier til maler,
og en `generator`-tag navngir programvaren som bygde siden. Fjern
ved eksport alt ingen har valgt å publisere, og behandle hvert felt
som tekst en fremmed kommer til å lese.

Les mer

  * RFC 9110, section 6.3: Header Fields — hvordan HTTP sender
metadata foran innholdet, og hva et headerfelt har lov til å gjøre.

  * RFC 9110, section 8.8.2: Last-Modified — når en server bør sende
en endringsdato, og hvorfor en dato i fremtiden blir byttet ut.

  * HTML Standard: the meta element — standardnavnene for metadata
og reglene for å deklarere tegnkoding.

  * DCMI Metadata Terms — de femten Dublin Core-elementene og
vokabularet som er bygget rundt dem.

  * The Open Graph protocol — de fire egenskapene protokollen krever
på hver side, og de valgfrie rundt dem.

hDenne siden på nettet	URL:https://engineer.company/nb/glossary/metadata/	engineer.company	70
