Entität (Auszeichnungssprache)

Auszeichnungssprachen (Markup Languages) verwenden Entities (engl. Einheiten, Gebilde), um wiederkehrende Informationseinheiten zu standardisieren.

Das Format ist zwischen den gängigen Sprachen SGML, HTML, XML, MathML u. Ä. nahezu kompatibel. Die Text Encoding Initiative verwendet eine sehr ähnliche Methode, hat aber im Einzelnen eine etwas andere Syntax.

Sonderfall der Entities und bei weitem häufigster Vertreter ist das Character Entity, das gerade durch ein einzelnes Zeichen ersetzt werden soll. Dabei wird insbesondere eine mnemotechnische Abkürzung ersetzt durch die dezimal oder hexadezimal angegebene Zeichenkodierung.

Anwendung

Mittels einer DTD wird vereinbart, jedes Vorkommen von &name; im Dokumententext durch eines oder mehrere Zeichen zu ersetzen.

Beispiele:

Hier wird vereinbart, alle &durch das Zeichen dezimal 38 zu ersetzen:

     <!ENTITY amp CDATA "&#38;" -- ampersand, Kaufmännisches Und -->

Dokumenten-Text mit klarer Bedeutung:

He is 6&foot; 2&inch; tall.

Zu diesem Dokument werden drei unterschiedliche DTD verwendet:

7-bit ASCII distribution DTD

           <!ENTITY foot   "&#39;">
           <!ENTITY inch   "&#34;">

Multibyte Unicode distribution DTD

           <!ENTITY foot   "&#8242;">
           <!ENTITY inch   "&#8243;">

Audiobook distribution DTD

           <!ENTITY foot   " foot ">
           <!ENTITY inch   " inch ">

Zeichen-Entities

Hier ist ein Entity durch genau ein Zeichen zu ersetzen.

Dabei sind zwei Fälle zu unterscheiden:

numerische Entities in der Form &#nnn;, wobei nnn die Codierung des einzusetzenden Zeichens ist.

Wird angewendet, wenn die direkte Eingabe dieses Zeichens nicht möglich ist; oder als Fluchtsymbol (Ersatzzeichen), wenn das betreffende Zeichen eine unerwünschte syntaktische Wirkung im Dokumententext hätte.

benannte Entities, bei denen statt einer Nummer ein leicht zu merkender name für das Zeichen vereinbart wurde.

Ersetzung Entity ./. Schriftzeichen

Der Ersatz eines Zeichen-Entities im Quelltext muss nicht zwingend 1:1 durch ein anderes Zeichen erfolgen. In europäisch kodierten Sprachen (lateinisch, griechisch) sind diakritische Zeichen üblich.

Beispiel:

Das Zeichen »é« kann wahlweise definiert sein als

<!ENTITY eacute "é">
<!ENTITY eacute "é">
<!ENTITY eacute "é">
<!ENTITY eacute "́e">
<!ENTITY Kleines_E_mit_Strich_drüber_nach_rechts_oben "é">

In den ersten beiden Definitionen wird das benannte durch ein numerisches Entity ersetzt, im dritten durch ein einzelnes Unicode/ANSI-Zeichen und im vierten durch eine Kombination zweier Zeichen: ein Akut mit dem Grundbuchstaben e.

Es muss aber nicht immer so sein, dass ein Grundbuchstabe mit genau einem diakritischen Zeichen zusammentrifft; mehrere solcher Modifikationen können über, unter und neben dem Grundbuchstaben erfolgen.

In außereuropäischen Schriftsystemen existieren außerdem vielfältige Ligaturen, also unterschiedlichste Kombinationen zusammentreffender Einzelbuchstaben – als Beispiele sei Devanagari oder Tamilisch herausgegriffen. In anderen Fällen (beispielsweise im Arabischen) hängt die Gestalt des sich ergebenden Schriftzeichens vom Kontext, von der sprachlichen Bedeutung ab – und nicht nur vom Zusammentreffen numerisch kodierter Einzelzeichen, wie es leicht durch eine Software umgerechnet werden kann. Im Deutschen wäre als entsprechendes Beispiel die korrekte Verwendung des langen s und runden s zu nennen oder das Verbot von ff-, fi-, fl-Ligaturen über Silbengrenzen hinweg.

Nicht jede Kombination mehrerer Elemente zu einem Schriftzeichen ist jedoch mit einer eigenen Unicode-Nummer registriert. Deshalb muss auch künftig den Anwendern die Möglichkeit gegeben werden, spezifische Schriftzeichen als eigene character entities zu vereinbaren. Ein Entity kann ferner ein Verweis auf eine Grafik (Bitmap wie auch SVG) sein.

Zukunft der Zeichen-Entities

Mit der allmählichen Verbreitung von UTF-8, UTF-16, UCS-2 und UCS-4 in internationalen IT-Anwendungen nimmt die Notwendigkeit einer Kodierung von Schriftzeichen mittels character entities allmählich ab. Es wird aber noch viele Jahre dauern, bis weltweit das letzte Kommunikationsprotokoll und die letzte Software-Anwendung Multi-Byte-Zeichen fehlerfrei handhaben kann.

Daher bleibt die Notwendigkeit bestehen, für den Austausch mittels numerischer Entities selbst noch auf die Stufe us-ascii (7 bit) zurückfallen zu können. Die Konvertierung ist aber in beiden Richtungen verlustfrei möglich, sofern die general entities dabei nicht angetastet werden und sofern überhaupt eine spezifische Kodierung im Universal Character Set existiert.

Bedeutung wird die Darstellung als benanntes Entity wohldefinierter Einzelzeichen langfristig nur für das Lesen und Schreiben von XML-Quelltext durch menschliche Bearbeiter behalten, wenn Zeichen außerhalb der jeweiligen Sprachwelt vorkommen (seien sie nun fremdsprachlich oder auch mathematisch). Zu erwarten ist, dass im Quelltext für die Betrachtung und Veränderung die Codierungen aus problematischen Zahlenbereichen on-the-fly in benannte Entities umgewandelt und bei Abspeicherung wieder in numerische Entities oder direkt als Zeichen codiert werden.

Das Namensschema liegt dann lediglich lokal beim Bearbeiter vor und dringt nicht nach außen; neben den verbreiteten durch SGML definierten englischen Namen können genauso gut auch deutsche, französische oder russische Entity-Namen angezeigt werden.

Benannte Zeichen-Entities waren 1986 unter den damaligen Bedingungen ein sinnvolles und notwendiges Konzept in SGML. Unter sich langsam ändernden Bedingungen und mittels benutzerfreundlicher grafischer Eingabehilfen besteht auf modernen Systemen diese Notwendigkeit nicht mehr, sofern Unicode-Zeichen definiert sind. Bei HTML – der häufigsten Anwendung – ist das der Fall.

Benannte Zeichen-Entities

Benannte Zeichen-Entities sind für den Menschen da, nicht für die Maschine.

Computer können problemlos fünfstellige Zeichencodierungen verarbeiten – nur Menschen haben ihre Schwierigkeiten damit.

Gebräuchliche Namens-Definitionen

SGML (1986)

Latin Letters

isolat1 Added Latin 1

isolat2 Added Latin 2

isodia Diacritical Marks

Graphics and Symbols

isonum Numeric and Special Graphic

isopub Publishing (Typographic)

isotech General Technical

isobox Box and Line Drawing

Added Mathematical Symbols

isoamsa Arrow Relations

isoamsb Binary Operators

isoamsc Delimiters

isoamsn Negated Relations

isoamso Ordinary

isoamsr Relations

Greek Characters

isogrk1 Greek Letters

isogrk2 Monotoniko Greek

isogrk3 Greek Symbols

isogrk4 Alternative Greek Symbols

Cyrillic Characters

isocyr1 Russian Cyrillic

isocyr2 Non-Russian Cyrillic

Definition unter www.w3.org/2003/entities/iso8879doc

HTML 2 (1995)

Ersatzzeichen für die HTML-Syntax: amp, lt, gt, quot
Benannnte Zeichen für ISO 8859-1 (also Codierungen 160…255)

Deren Definition ist identisch mit SGML:isolat1, wiedergegeben als: www.w3.org/TR/REC-html40/HTMLlat1.ent

HTML 4 (1999)

Wie HTML 2, aber Definition 152 weiterer Codierungen >255 – für die Darstellung Unicode erforderlich (UTF-8).

Definitionen erhältlich unter

Diese URL erwecken den Eindruck, ein HTML-Browser müsste die Definitionen ständig aus dem Internet nachladen. Das ist nicht so; die Standardzeichen sind fest einprogrammiert, alle HTML anzeigenden Programme sollten sie „kennen“.

XML (1998)

Vordefiniert sind nur general entities (amp, lt, gt, apos, quot) als Ersatzzeichen der XML-Syntax.

Anwender können beliebige Entitäten selbst definieren oder die vorstehend benannten DTD aus SGML oder HTML einbinden.

XHTML (2000)

Wie HTML 4, aber von XML zusätzlich das ' geerbt.

(siehe dazu unten)

MathML

Definiert sind Hunderte von Sonderzeichen, wie sie für mathematische Formeln benötigt werden. Überwiegend werden eigene Namen verwendet, die fast immer länger als die bei HTML und SGML sind.

Für dasselbe Zeichen können mehrere Namen verwendet werden:

dezimal Zeichen	Entity	Definition
168 ¨	"`die`"	SGML:isodia
	"`Dot`"	SGML:isotech
	"`uml`"	HTML.2, SGML:isodia
913 Α	"`Agr`"	SGML:isogrk1
913 Α	"`Alpha`"	HTML.4
8598 ↖	"`nwarr`"	SGML:isoamsa north west arrow
	`↖`	HTML
	"`UpperLeftArrow`"	MathML
	"`nwarrow`"	MathML

Dem Zeichen »Α« ist dabei nicht anzusehen, ob es ein griechisches großes Alpha oder ein lateinisches A ist.

Anmerkung

Gelegentlich erfolgt der Einwand, mnemonische Entities würden die Arbeit unnötig kompliziert machen, weil die entsprechenden DTDs vereinbart und bereitgestellt werden müssten und man solle doch gleich die richtigen Zeichen tippen bzw. nur mit den numerischen Entities arbeiten.

Dazu einfach ein Beispiel in SGML:isocyr1 zum Vergleich:

□ □ □ □ □ □ □

&Rcy;&ucy;&scy;&scy;&kcy;&icy;&jcy;

= Russkij

= Русский

= Русский

Es kann durchaus sinnvoll sein, nach dem Editieren die benannten Entities automatisch in die numerische Form umzuwandeln, in diesem Format an Andere weiterzugeben – aber bei der nächsten Änderung durch menschliche Bearbeiter die numerischen Entities wieder mnemonisch darzustellen.

Die Darstellung als Entities hat weiterhin den Vorteil, dass unterschiedliche Zeichen mit unterschiedlicher Bedeutung, die sich bei der grafischen Darstellung sehr ähneln (z. B.: Hochkomma, Akzent, Apostroph, Anführungszeichen), eindeutig unterschieden werden können.

XHTML

Zuweilen wird behauptet, XHTML würde keine benannten Entities „verstehen“.

Dies ist definitiv nicht so.

XHTML enthält exakt alle Definitionen aus HTML 4.0, und in jeder Implementierung müssen alle benannten Entities bekannt sein (und sind es auch, üblicherweise hard-coded).

Allerdings gibt es XML-Anwendungen, die mit Textpassagen arbeiten und die dazu die vergleichbaren und bekannten HTML-Elemente nachempfunden haben.

Aktuelles und häufigstes Beispiel sind schriftliche RSS-Feeds (News). Sie enthalten wie HTML <p>, <span>, <div> und auch <head> / <body>. Der Quelltext sieht daher aus, als ob es sich um HTML handeln würde. Da es aber gar kein HTML-Dokument ist, können benannte Entities nicht benutzt werden – sofern die entsprechenden DTD nicht eingebunden wurden oder die Darstellungssoftware (meist Webbrowser) die wohlbekannten Definitionen nicht von sich aus anwendet.

Parameter Entities

Ein Sonderfall in SGML, XML usw. sind die parameter entities. Sie können nicht in Dokumenten, sondern nur innerhalb von DTD benutzt werden. Ansonsten haben sie die identische Syntax, jedoch steht statt & ein % am Beginn.

Siehe auch

Große Sonderzeichen-Referenz – alle benannten HTML-Entities