Frank Fischer: Liebe & Tod in der DNB (Update des Kölner Vortrags) · Leipzig

# Liebe & Tod in der Deutschen Nationalbibliothek

## Der DNB-Katalog als Forschungsobjekt der digitalen Literaturwissenschaft

[**Frank Fischer**](https://www.hse.ru/en/org/persons/182492735)

Higher School of Economics, Moskau  ·  DARIAH-EU

Twitter: [**@umblaetterer**](https://twitter.com/umblaetterer)

(= aktualisierte Version des Vortrags mit Robert Jäschke [HU Berlin] am 1. März 2018 in Köln)

Diese Präsentation: [**bit.ly/2m5gAna**](https://bit.ly/2m5gAna)

[IBG-Forum Wissenschafts- und Buchgeschichte 2019](https://www.dnb.de/DE/Kulturell/Veranstaltungskalender/Fachveranstaltungen/wissenschaftsUndBuchgeschichte.html)  ·  Leipzig  ·  1. Oktober 2019

## Inhalt

1. [Intro](#/1)
2. [Beschreibung des Frameworks](#/2)
3. [Output](#/3)
4. [Anwendungsfall 1: Romantitel](#/4)
5. [Anwendungsfall 2: Romanumfänge](#/5)
6. [Fazit](#/6)
7. [Bibliografie](#/7)

---

# 1. Intro

## DNB FTW!

![DNB-Gebäude am Deutschen Platz in Leipzig](images/dnb-german-library-leipzig-2008.jpg)

DNB-Gebäude am Deutschen Platz in Leipzig (2008). (Bildquelle: [Wikimedia Commons](https://commons.wikimedia.org/wiki/File:Deutsche_Buecherei_(German_Library%29_2008-Feb.jpg))

## Ausgangslage

- Sammelauftrag der Deutschen Nationalbibliothek (DNB) beginnt 1913 und bezieht sich auf »lückenlos alle deutschen und deutschsprachigen Publikationen« ([»Wir über uns«](http://www.dnb.de/DE/Wir/wir_node.html), 16. März 2017)
- Datendienst der DNB: https://data.dnb.de/opendata/ – dritteljährlicher Komplettabzug der Katalogdaten im RDF-Format (CC0-Lizenz 😊)
- Stand 23. Juni 2017: 14 102 309 Datensätze (Stand 10. Juli 2019: 15 340 604 Datensätze)
- **bisher kaum Versuche der Nutzbarmachung für geisteswissenschaftliche Studien**
- eine überzeugende Ausnahme:
 - Häntzschel, Günter; Hummel, Adrian; Zedler, Jörg (2009): *Deutschsprachige Buchkultur der 1950er Jahre. Fiktionale Literatur in Quellen, Analysen und Interpretationen.* Wiesbaden: Harrassowitz 2009. ([Google Books](https://books.google.com/books?id=t88xc3CzK60C))

## Ziele dieses Vortrags

- allgemein formuliert:
 - Nutzbarmachung von Katalogmetadaten zur Bearbeitung konkreter literaturwissenschaftlicher Forschungsfragen
- technisch formuliert:
 - einfaches Framework, um verschiedene Aspekte des DNB-Katalogs zu untersuchen
- zwei Anwendungsszenarien aus der Praxis der digitalen Literaturwissenschaft:
 - Romantitel
 - Romanumfänge

## Romane in der DNB

- **~ 180 000** Romane in der DNB (laut [»rdau:P60493«](http://www.rdaregistry.info/Elements/u/#P60493), Label: »has other title information«)
- Achtung: das ist nicht die Gesamtanzahl an tatsächlichen Romanen
 - Grund: Nachauflagen und Übersetzungen zählen mit hinein, außerdem ist die Befüllung des Feldes teils inkonsistent
- Größenordnung zum Vergleich:
 - Franco Morettis Untersuchung zur Länge von Romantiteln von 2009 (»Style Inc. Reflections on **Seven Thousand** Titles (British Novels, 1740–1850)«)

---

# 2. Beschreibung des Frameworks

## Art und Umfang der DNB-Daten

- typische Linked-Data-Formate (RDF/XML, JSON-LD, usw.)
- üblicher Ansatz:
 - geeignete Datenbank (Triple-Store)
 - Anfragen mit Hilfe der entsprechenden Anfragesprache (i. A. SPARQL)
 - flexible Anfragen möglich, leichte Einbindung weiterer Datenquellen
- Größe der Daten (unkomprimiert ca. 21 GB): hohe Anforderungen an die Hardware, Konfiguration und Optimierung der Datenbank aufwendig
- Ziele:
 - kompakte und leicht nachzuvollziehende Lösung
 - was schön wäre: Bereitstellung einer fertig konfigurierten Arbeitsumgebung in Form eines Docker-Containers, in der die Daten in einer Datenbank verfüg- und analysierbar sind

## Datensatz

- »Titeldaten der DNB«: 14 102 309 Datensätze und 227 212 707 Tripel (»Fakten«)
- neben Angaben zu Büchern auch Angaben zu weiteren Medientypen wie etwa Zeitschriften
- Titel, Erscheinungsjahr, bei Buchobjekten meist auch Seitenanzahl und Format

```xml
<rdf:Description rdf:about="http://d-nb.info/977225631">
	<rdf:type rdf:resource="http://purl.org/ontology/bibo/Document"/>
	<dcterms:medium rdf:resource="http://rdaregistry.info/termList/RDACarrierType/1044"/>
	<owl:sameAs rdf:resource="http://hub.culturegraph.org/resource/DNB-977225631"/>
	<dc:identifier rdf:datatype="http://www.w3.org/2001/XMLSchema#string">(DE-101)977225631</dc:identifier>
	<bibo:isbn13 rdf:datatype="http://www.w3.org/2001/XMLSchema#string">9783828979253</bibo:isbn13>
	<rdau:P60521 rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Pp. : EUR 99.90 (Gesamtw. in 50 Bd.)</rdau:P60521>
	<bibo:isbn10 rdf:datatype="http://www.w3.org/2001/XMLSchema#string">3828979254</bibo:isbn10>
	<rdau:P60521 rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Pp. : EUR 99.90 (Gesamtw. in 50 Bd.)</rdau:P60521>
	<dc:identifier rdf:datatype="http://www.w3.org/2001/XMLSchema#string">(OCoLC)163100976</dc:identifier>
	<dc:title rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Die Leiden des jungen Werther</dc:title>
	<dcterms:creator rdf:resource="http://d-nb.info/gnd/118540238"/>
	<marcRole:ctb rdf:resource="http://d-nb.info/gnd/104746246"/>
	<dc:publisher rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Weltbild</dc:publisher>
	<rdau:P60163 rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Augsburg</rdau:P60163>
	<rdau:P60333 rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Augsburg : Weltbild</rdau:P60333>
	<isbd:P1053 rdf:datatype="http://www.w3.org/2001/XMLSchema#string">174 S.</isbd:P1053>
	<dcterms:issued rdf:datatype="http://www.w3.org/2001/XMLSchema#string">2005</dcterms:issued>
	<rdau:P60493 rdf:datatype="http://www.w3.org/2001/XMLSchema#string">Roman</rdau:P60493>
	<dcterms:isPartOf rdf:resource="http://d-nb.info/977245608"/>
</rdf:Description>
```

## Linked Data

- Beschreibung mittels standardisierter Vokabularien (z. B. Dublin Core oder Bibo) ermöglicht Verlinkung mit weiteren Datensätzen
- Angabe zu Autor*innen durch die numerische GND-Kennung ermöglicht Verknüpfung der Daten mit u. a. Wikidata
 ```xml
	<dcterms:creator rdf:resource="http://d-nb.info/gnd/118540238"/>
 ```
- Wikidata: auf Linked Data basierendes Datenmodell
 - enthält u. a. Daten zu zahlreichen Persönlichkeiten, etwa Namen, Geburtsdaten, Berufe, Werke und, falls vorhanden, GND-Kennung
 - Beispiel: https://www.wikidata.org/wiki/Q5879 (J. W. Goethe)

## Framework

![Überblick über das Framework](images/framework.svg)

alle Schritte im [GitHub-Repository](https://github.com/weltliteratur/dnb) dokumentiert

## 1. Schritt: Vorverarbeitung und Konvertierung von RDF/XML zu JSON (rdf2json.py)

- RDF/XML: i. A. Verarbeitung im Hauptspeicher, nicht als Datenstrom
 - unpraktikabel aufgrund der Größe der Daten
- alle wesentlichen Daten zu einem Medium innerhalb `<rdf:Description>`
- Verarbeitung mittels SAX-Parser als XML
 - Extraktion der Metadaten (z. B. »dcterms:contributor«, »dcterms:language«, »dc:title«, »dcterms:extent«, »rdau:P60493«)
 - Speicherung als JSON
- JSON: i. A. platzsparender als RDF/XML
 - kann leicht in Elasticsearch eingeladen werden – ein geplanter nächster Schritt

## 2. Schritt: Extraktion von Daten zu Autor*innen aus Wikidata (Wikidata-Toolkit)

- Ziel: Anreicherung des DNB-Datensatzes mit Informationen aus Wikidata
  - beispielsweise Geburtsdatum/‑ort, Beruf, Verweis auf vorhandene Artikel in Wikipedia
- Python-Bibliothek für Wikidata veraltet → Rückgriff auf Java-basiertes [Wikidata-Toolkit](https://github.com/Wikidata/Wikidata-Toolkit)
- Herunterladen des aktuell (14.08.2017) 16 GB großen komprimierten Wikidata-Datensatzes
- zwei Durchgänge:
  1. Extraktion aller Elemente mit einer GND-Kennung einschließlich ausgewählter Merkmale
  2. Ergänzung der Werte der Merkmale (z. B. Sprache, Ort)
- Ergebnis als JSON

## 3. Schritt: Normalisierung und Anreicherung (json2json.py)

- Python-Skript implementiert Pipeline:
  - Einlesen aller Daten aus den vorherigen Schritten
  - Verknüpfung mittels GND-Kennung
  - Extraktion von Metadatenangaben (z. B. Seitenanzahlangabe)
  - Vereinfachung und Normalisierung
  - Filterung von Datensätzen mit fehlenden Angaben
  - spaltenbasierte Ausgabe als TSV
- Vereinfachung: v. A. Entfernen von Namespace-Präfixen
  - etwa `http://id.loc.gov/vocabulary/iso639-2/` bei der Angabe der Sprache
- Extraktion von Seitenanzahlen/Jahreszahlen mit Hilfe eines regulären Ausdrucks
- Normierung von Verlagsnamen mit Hilfe einer Normtabelle möglich
  - notwendig, da keine standardisierte Schreibung innerhalb des Katalogs

## 4. Schritt: Analyse (awk, sort, datamash, gnuplot, ...)

- TSV-Dateien können mit den üblichen Unix-Werkzeugen wie `awk`,
  `sort`, `uniq`, etc. leicht verarbeitet und analysiert werden

```sh
 datamash -g1 median 2 mean 2 min 2 max 2 count 2 q1 2 q3 2 \
 < items_per_year-novel_page_author.tsv \
	> issued_pages_stats.tsv
 ```

- Visualisierung mit gnuplot

---

# 3. Output

## Repräsentativität

- DNB strebt Vollständigkeit an, kein Sammelgebietsbias wie andere Bibliotheken
- entsprechende Zahlen sagen etwas über vergangene Realitäten auf dem deutschsprachigen Buchmarkt aus (vgl. Häntzschel et al. 2009)
- die Tabelle auf der nächsten Folie rankt Autor*innen nach Anzahl der verzeichneten Romane in der DNB
- Verfasser*innen aus dem Unterhaltungsbereich ganz oben
- Achtung: die Anzahl der verzeichneten Medien umfasst Neuauflagen
 - Konsalik hat also nicht über 2 000 Romane geschrieben

## Plätze 1–10

| Autor*in | Romane |
|:-:|--: |
| Heinz G. Konsalik | 2 232 |
| Marie Louise Fischer | 1 264 |
| Gert Fritz Unger | 1 013 |
| Georges Simenon | 783 |
| Utta Danella | 778 |
| Edgar Wallace | 654 |
| Hedwig Courths-Mahler | 647 |
| Eleanor Hibbert | 635 |
| Pearl S. Buck | 596 |
| Alistair MacLean | 582 |

Romanautor*innen geordnet nach Anzahl der Werke (inkl. Nachauflagen) im DNB-Katalog.

## Plätze 11–20

| Autor*in | Romane |
|:-:|--: |
| Stephen King | 577 |
| Georgette Heyer | 576 |
| Agatha Christie | 574 |
| Theodor Fontane | 565 |
| Hans Ernst | 563 |
| Lion Feuchtwanger | 501 |
| Erich Maria Remarque | 419 |
| Hans Hellmut Kirst | 411 |
| Johannes Mario Simmel | 403 |
| Hans Fallada | 396 |

Romanautor*innen geordnet nach Anzahl der Werke (inkl. Nachauflagen) im DNB-Katalog.

## Visualisierung von Subdatensätzen (1/2)

- von den etwa **14,1 Mio.** Objekten im DNB-Datensatz weisen etwa **8,3 Mio.** extrahierbare Seitenanzahlen auf (59 %)
- laut Datenfeld »rdau:P60493« sind insgesamt **353 498** der Medien ›Romane‹, davon weisen wiederum **316 518** Umfangsangaben auf und **180 219** eine*n Verfasser*in, die/der mindestens einen Wikipedia-Eintrag (in egal welcher Sprache) besitzt
- Verschränkung mit Wikipedia als bedeutungsgebender Instanz, um *vanity works*, selbstverlegte Books on Demand usw. herauszufiltern (für andere Forschungsfragen wären diese aber durchaus interessant)

## Visualisierung von Subdatensätzen (2/2)

![zeitliche Verteilung fünf verschiedener Subdatensätze](images/items_per_year_de.svg)

Fünf verschieden qualifizierte Subdatensätze des DNB-Katalogs in zeitlicher Verteilung.

---

# 4. Anwendungsfall 1: Romantitel

## Vorläufer der Romantitelforschung

- Large-Scale-Analysen bibliografischer Metadaten, etwa die Entwicklung von Romantiteln
- Vorläufer: Werner Bergengruens Bibliothekarsfantasie »Titulus« von 1960 (manuelle Sammlung und Systematisierung von Romantiteln)
- weiterer Vorläufer: Morettis erwähnte Studie »Style Inc.« (2009), hier schon datengestützt

## Häufigste Substantive in Romantiteln

| Substantiv | Frequenz |
|:-:|:-:|
| Liebe | 3 117 |
| Mann | 1 906 |
| Frau | 1 686 |
| Tod | 1 537 |
| Nacht | 1 505 |
| Leben | 1 496 |
| Welt | 1 188 |
| Haus | 1 158 |
| Zeit | 1 037 |
| Schatten | 1 029 |

Häufigste Substantive in Romantiteln im gesamten DNB-Katalog.

## Aus dem Schlagwortbaukasten, siehe auch:

Jim Pandzko feat. Jan Böhmermann: »Menschen Leben Tanzen Welt«. (Neo Magazin Royale, 5. April 2017, [YouTube-Direktlink](https://www.youtube.com/watch?v=h8MVXC_hqNY))

## Häufigste Trigramme in Titeln

| Trigramm | Frequenz |
|:-:|:-:|
| Das Geheimnis der | 238
| Das Haus der | 224
| Der Mann der | 189
| Das Geheimnis des | 175
| Die Tochter des | 160
| Im Schatten des | 128
| Der Mann im | 128
| Das Lied der | 125
| Die Frau des | 124
| Die Reise nach | 108

Häufigste Trigramme in Romantiteln im DNB-Katalog.

## DNB Goes Ngram Viewer (1/2)

![zeitlicher Verlauf ausgewählter Wörter in Romantiteln (absolut)](images/year_title.svg)

Vorkommen ausgewählter Wörter in Romantiteln im zeitlichen Verlauf (**absolut**).

## DNB Goes Ngram Viewer (2/2)

![zeitlicher Verlauf ausgewählter Wörter in Romantiteln (relativ)](images/year_title_rel.svg)

Vorkommen ausgewählter Wörter in Romantiteln im zeitlichen Verlauf (**relativ**). · OMNIA VINCIT AMOR.

---

# 5. Anwendungsfall 2: Romanumfänge

## Romanumfangsforschung

- Erforschung des Einflusses von Textlängen auf Rezeptions-, Interpretations- und Kanonisierungsprozesse
- quantitative Beschreibung des literarischen Erbes
- empirische Zuarbeit zu einer entstehenden Theorie des literarischen Textumfangs
- mehr dazu:
 - Fischer/Jäschke: *Ein Quantum Literatur. Empirische Daten zu einer Theorie des literarischen Textumfangs.* DFG-Symposium »Digitale Literaturwissenschaft«. Villa Vigoni, 9.–13. Oktober 2017. (entsprechender Sammelband demnächst bei Metzler)

## Realitätsabgleich

![Bücher pro Seitenanzahl](images/pages_200-400_de.svg)

Anzahl der Bücher pro Seitenanzahl im Umfangsbereich 200 bis 400 Seiten.
 
**Publikumsfrage:** Es gibt einen Peak aller 16 Seiten, weil …

## Entwicklung des Romanumfangs seit 1913

![mittlere Seitenanzahl pro Jahr](images/issued_pages_1913_de.svg)

Entwicklung der mittleren Seitenanzahl pro Jahr seit 1913. – Scheint eine Vermutung von Helge Malchow zu bestätigen: »Mit dem Einzug des Computers in den Schreibprozess sind die Romane nach meinem Eindruck im Durchschnitt um zehn Prozent länger geworden.« ([*Die Zeit* 47/2012](http://www.zeit.de/2012/47/Buecher-Internet-Literatur-Verleger/komplettansicht))

---

# 6. Fazit

## Zusammenfassung und Ausblick

- Katalogdaten/Metadaten sind ein sinnvolles Untersuchungsobjekt der Literaturwissenschaft
- vorgestelltes Framework soll einfacher Explorier- und Kontrollierbarkeit der Daten dienen
- zwei Anwendungsfälle als Inspiration
- in Zukunft: Austausch/Interaktion zwischen Wissenschaftler*innen und Bibliotheken/Datendiensten stärken
- Idee: Workshop zur *literaturwissenschaftlichen* Beschäftigung mit Katalogdaten?

---

## 7. Bibliografie 📚

* Bergengruen, Werner (1960): Titulus. Das ist: Miszellen, Kollektaneen u. fragmentar., mit gelegentl. Irrtümern durchsetzte Gedanken zur Naturgeschichte d. dt. Buchtitels oder unbetitelter Lebensroman e. Bibliotheksbeamten. Zürich: Verlag der Arche.
* DNB (2017): [»Wir über uns«](http://www.dnb.de/DE/Wir/wir_node.html), Stand 16. März 2017.
* Fischer, Frank; Jäschke, Robert (2017): Ein Quantum Literatur. Empirische Daten zu einer Theorie des literarischen Textumfangs. DFG-Symposium »Digitale Literaturwissenschaft«. Villa Vigoni, 9.–13. Oktober 2017. (Entsprechender Sammelband erscheint demnächst.)
* Häntzschel, Günter; Hummel, Adrian; Zedler, Jörg (2009): [Deutschsprachige Buchkultur der 1950er Jahre. Fiktionale Literatur in Quellen, Analysen und Interpretationen.](https://books.google.com/books?id=t88xc3CzK60C) Wiesbaden: Harrassowitz 2009.
* Moretti, Franco (2009): Style Inc. Reflections on Seven Thousand Titles (British Novels, 1740–1850). In: Critical Inquiry, Vol. 36, No. 1 (Autumn 2009), S. 134–158.
* Pandzko, Jim; Böhmermann, Jan (2017): [Menschen Leben Tanzen Welt](https://youtu.be/h8MVXC_hqNY) [Musikvideo]. In: Neo Magazin Royale, 5. April 2017.
* Schmidt, Ben (2017): [A brief visual history of MARC cataloging at the Library of Congress](http://sappingattention.blogspot.de/2017/05/a-brief-visual-history-of-marc.html) [Blogpost]. In: Sapping Attention, 16. Mai 2017.
* Arbeitsrepositorium: [github.com/weltliteratur/dnb](https://github.com/weltliteratur/dnb)