TEI

TEI (от англ. Text Encoding Initiative — «Инициатива по кодированию текстов») — это международный проект и одновременно стандарт разметки текстов в гуманитарных науках, предназначенный для цифрового представления и обмена литературными, историческими, лингвистическими и другими текстовыми источниками. Стандарт TEI определяет набор правил и схем (на основе XML) для описания структуры, содержания и метаданных текста, обеспечивая их долговременное хранение, воспроизводимость и интероперабельность между различными исследовательскими проектами и архивами.

История

Проект TEI был основан в 1987 году на конференции в Вассар-колледже (США) по инициативе Ассоциации гуманитарных вычислений (ACH) и Ассоциации компьютерной лингвистики (ACL). Первоначальной целью было создание единого стандарта для кодирования текстов, который позволил бы исследователям из разных стран и дисциплин обмениваться данными без потери информации. Первая версия руководства (TEI P1) вышла в 1990 году, а в 1994 году была опубликована TEI P3 — первая стабильная версия, которая получила широкое распространение.

В 2002 году вышла версия TEI P4, основанная на XML, что сделало стандарт более совместимым с современными веб-технологиями. В 2007 году была выпущена TEI P5, которая остаётся актуальной и по сей день. TEI P5 регулярно обновляется: текущая версия (на 2024 год) — 4.7.0. Управлением стандарта занимается консорциум TEI Consortium (TEI-C), в который входят университеты, библиотеки, архивы и исследовательские центры по всему миру.

Основные принципы

XML-основа

TEI использует язык разметки XML (Extensible Markup Language). Каждый элемент TEI представляет собой тег, который описывает определённую часть текста (например, <p> для абзаца, <persName> для имени персонажа). Схема TEI определяет, какие теги могут использоваться, в каком порядке и с какими атрибутами.

Модульность

Стандарт состоит из более чем 20 модулей, каждый из которых отвечает за определённую область: структура текста, метаданные, лингвистические аннотации, графика, критические аппараты и т.д. Исследователь может выбрать только те модули, которые необходимы для его проекта, что делает TEI гибким.

Расширяемость

Пользователи могут создавать собственные элементы и атрибуты, если они не противоречат базовой схеме. Это позволяет адаптировать стандарт под специфические задачи (например, кодирование древнерусских грамот или современных поэтических текстов).

Структура TEI-документа

TEI-документ состоит из двух основных частей:

Заголовок (TEI Header)

Элемент <teiHeader> содержит метаданные о тексте: название, автор, дата создания, источник, информация о кодировщике, права доступа, использованные лексикографические ресурсы и т.д. Заголовок обязателен для всех TEI-документов и обеспечивает их идентификацию и цитирование.

Текст (Text)

Элемент <text> содержит собственно текст. Он может включать:

Фронтматерию (<front>) — предисловия, посвящения, титульные листы.
Основной корпус (<body>) — основной текст, разбитый на главы, параграфы, строки и т.д.
Бэкматерию (<back>) — приложения, примечания, указатели.

Текст может быть разделён на структурные единицы: <div> (раздел), <p> (абзац), <l> (строка стиха), <sp> (реплика в драме) и другие.

Примеры использования

Литературные тексты

TEI широко применяется для кодирования художественной литературы. Например, в проекте «Русская виртуальная библиотека» (РВБ) тексты Пушкина, Достоевского и других авторов размечены в TEI для точного воспроизведения орфографии, пунктуации и авторских вариантов.

Исторические документы

Архивы и библиотеки используют TEI для оцифровки рукописей, грамот, писем. Например, «Проект по оцифровке древнерусских берестяных грамот» (Новгород) применяет TEI для описания палеографических особенностей, повреждений и разночтений.

Лингвистические корпусы

В корпусной лингвистике TEI используется для разметки морфологии, синтаксиса и семантики. Например, Национальный корпус русского языка (НКРЯ) частично основан на TEI-схемах.

Преимущества и недостатки

Преимущества

Долговременная сохранность: XML-формат не привязан к конкретному программному обеспечению, что обеспечивает доступность данных через десятилетия.
Интероперабельность: TEI-документы могут быть обработаны различными инструментами (XSLT, XQuery, Python-библиотеки).
Точность: Возможность описать не только содержание, но и физические характеристики текста (шрифт, разрывы страниц, пометки).
Сообщество: Активное сообщество разработчиков и исследователей, регулярные конференции (TEI Conference).

Недостатки

Сложность: Изучение TEI требует времени и усилий, особенно для новичков в XML.
Избыточность: Для простых проектов (например, кодирование одного стихотворения) TEI может быть излишне громоздким.
Отсутствие единой реализации: Разные проекты могут интерпретировать стандарт по-разному, что иногда затрудняет обмен данными.

Критика

Основная критика TEI связана с его «академическим» характером: стандарт ориентирован на исследователей, а не на широкую публику. Некоторые специалисты отмечают, что TEI слишком детализирован и не всегда эффективен для быстрой оцифровки больших объёмов текстов. В ответ на это были разработаны упрощённые профили TEI (например, TEI Lite), которые содержат только самые необходимые элементы.

Инструменты для работы с TEI

Редакторы: oXygen XML Editor, <oXygen/> (платный), Visual Studio Code с плагинами (бесплатно).
Конвертеры: TEI to HTML (с помощью XSLT), TEI to PDF (через XSL-FO).
Библиотеки: Python-библиотека tei-reader, Java-библиотека TEI Publisher.
Онлайн-сервисы: TEI Boilerplate (для просмотра TEI-документов в браузере).

Применение в России

В России TEI используется в ряде крупных проектов:

Национальный корпус русского языка (НКРЯ) — частично основан на TEI-схемах.
Российская государственная библиотека (РГБ) — оцифровка рукописей и старопечатных книг.
Проект «Русская классика в TEI» (СПбГУ) — кодирование произведений русской литературы XIX века.

Источники

TEI P5: Guidelines for Electronic Text Encoding and Interchange. Version 4.7.0. TEI Consortium, 2023.
Burnard, L. (2014). What is the Text Encoding Initiative?. OpenEdition Press.
Российская государственная библиотека. (2022). Методические рекомендации по кодированию текстов в формате TEI.
Национальный корпус русского языка. (2024). Описание схемы разметки.
TEI Consortium. (2024). TEI: History and Governance.

BFOmetr — база данных и аналитика по компаниям России.

На главную BFOmetr →

TEI