Bestandsformaten
De term bestandsformaat (ook wel bestandstype of bestandsindeling
genoemd) duidt op de wijze waarop de informatie in een
computerbestand
gecodeerd is. Dit bepaalt in belangrijke mate wat je met een bestand
kunt doen. Er zijn twee hoofdsoorten bestandsformaten: tekst en binair.
Bestanden in tekstformaat bevatten uitsluitend leesbare tekens en
kunnen door veel computerprogramma's worden gelezen. Kenmerkend is
echter dat ze ook met een text
editor als Kladblok (Notepad)
of NoteTab
kunnen worden gelezen en bewerkt, hetgeen niet het geval is met binaire
bestanden. Een bestand in tekstformaat kan allerlei vormen van
structurele of inhoudelijke annotatie bevatten, maar ook deze
markeringen of codes bestaan dan uitsluitend uit letters, cijfers en
leestekens.
Binaire bestanden bevatten (eventueel naast leesbare tekens)
computercode die alleen door specifieke
programmatuur computerprogramma's
geïnterpreteerd kan worden. Veel binaire bestandsformaten zijn
zgn. 'gesloten' formaten (proprietary
formats), die worden beschermd door middel van een patent
of copyright. Het bedrijf dat ze heeft ontwikkeld houdt de
specificaties van het formaat ook meestal geheim, zodat alleen de eigen
software goed met dergelijke bestanden om kan gaan.
De extensie van een bestand geeft meestal aan om welk
bestandsformaat het gaat.
Een bestandsextensie is een toevoeging aan het eind van een
bestandsnaam, die bestaat uit één of meer letters
(meestal drie) na de laatste punt in de naam. Er bestaan enorm veel
bestandsformaten, en dus ook erg veel bestandsextensies, zie
bijvoorbeeld het overzicht in Wikipedia. Hieronder
volgt een overzicht van de belangrijkste bestandsformaten waarin
digitale tekstbestanden worden opgeslagen.
N.B. Ook voor e-books worden veel verschillende opslagformaten gebruikt. Wikipedia geeft hiervan een uitgebreid overzicht.
A. Tekstbestanden
| Extensie |
Beschrijving |
| .txt |
Bestand dat uitsluitend letters, cijfers en leestekens
bevat. Dergelijke bestanden bevatten geen enkele opmaak en kunnen door
vrijwel alle programma's op alle computerplatforms gelezen en bewerkt
worden. Programmatuur voor tekstanalyse kan hier goed mee overweg. |
.htm
.html |
Bestand dat is gecodeerd m.b.v. HTML (hypertext
markup language). HTML wordt gebruikt voor de
presentatie van webpagina's
(in web browsers). HTML-bestanden kunnen (omdat het tekstbestanden
zijn) worden geopend in programma's als WordSmith. Omdat
dergelijke bestanden echter erg veel HTML-codes kunnen
evatten wordt een goede analyse vaak belemmerd. Vaak is het daarom
verstandig om dergelijke bestanden eerst van de HTML-codes te
ontdoen. |
| .xml |
Bestand dat is geannoteerd m.b.v. XML (extensible
markup language). Eveneens
een tekstbestand dat op een bepaalde manier is gecodeerd. XML heeft
veel toepassingen; één daarvan is de annotatie
van teksten ten behoeve van inhoudelijke ontsluiting ten behoeve van
wetenschappelijke analyse.
XML-annotatie kan heel complex zijn, waardoor soms speciale
programmatuur nodig is om dergelijke bestanden goed te kunnen verwerken
en/of analyseren. Zie ook de informatie over annotatie. |
.sgm
.sgml |
Bestand dat is geannoteerd m.b.v. SGML (standard generalized markup
language). Voorloper van XML met dezelfde functie. Je komt
dit formaat
nog steeds tegen in tekstarchieven, omdat niet alle bestanden
die ooit m.b.v. SGML zijn geannoteerd, worden omgezet naar XML.
|
B. Binaire bestanden
| Extensie |
Beschrijving |
.jpg / .jpeg
.gif
.tif / .tiff
.png
.bmp
|
Dit is een aantal veelvoorkomende bestandsformaten voor
het opslaan van afbeeldingen in
digitale vorm (er bestaan er meer). Afbeeldingen van teksten kunnen
niet doorzocht worden op woordniveau. Afbeeldingen
van recentere teksten kunnen wel met behulp van optical character
recognition (OCR) met redelijk succes omgezet worden naar
tekstbestanden, waarna ze wel inhoudelijk geanalyseerd kunnen worden. |
.doc
.docx |
Documentformaat van Microsoft Word. De meeste
programmatuur voor tekstanalyse kan hier niet mee overweg; de
betreffende documenten moeten eerst vanuit Word worden opgeslagen
als tekstbestanden. Het bestandsformaat dat hoort bij de extensie .docx
is geïntroduceerd met Word 2007. |
| .rtf |
Rich
text format. Documentformaat ontwikkeld door Microsoft in
1987 ten
behoeve van de uitwisseling van documenten op verschillende
computersystemen. De meeste tekstverwerkers kunnen RTF-documenten
lezen.
Programmatuur voor tekstanalyse kan hier echter meestal niet mee overweg; ook
dergelijke documenten moeten eerst worden opgeslagen
als tekstbestanden. |
| .pdf |
Portable
document format.
Wijdverbreid bestandsformaat dat is ontwikkeld door de
firma Adobe
om bestanden met
opmaak op alle computersystemen op dezelfde wijze te kunnen tonen en
afdrukken. Het programma Acrobat Reader (of een kloon daarvan) is nodig
om dergelijke bestanden te lezen, te doorzoeken en af te drukken.
Tekstanalyseprogramma's kunnen niet overweg met pdf-bestanden. Of, en in welke mate, deze
bestanden om te zetten zijn naar tekstbestanden hangt af van de wijze
waarop ze zijn gecreëerd; het (dure) programma Acrobat
Professional biedt hiervoor in ieder geval veel betere mogelijkheden dan de (gratis)
Acrobat Reader.
N.B. Het pdf-formaat wordt ook veel
gebruikt voor e-books. |
.xps
.oxps |
XML
paper specification. (Open) XPS is een afdruk- en
documentformaat dat door Microsoft is ontwikkeld als alternatief voor (en concurrent van) pdf. |
Een technisch aspect dat verband houdt met bestandsformaten is het
gebruik van karaktersets. Het gaat daarbij om de wijze waarop karakters
door de computer worden gecodeerd. Voor het coderen van het westerse
alfabet wordt van oudsher de zgn. ASCII of ANSI karakterset gebruikt.
Tegenwoordig wordt steeds vaker Unicode gebruikt, omdat daarmee alle
schriften van de wereld kunnen worden gecodeerd. Een 'tussenvariant' is
UTF-8. Je kunt hiermee te maken krijgen als je teksten waarin een
bepaalde karakterset wordt gebruikt wilt bekijken met programmatuur die
daarvoor niet is toegerust. De tekst lijkt dan allerlei 'rare tekens'
te bevatten. Zie voor meer informatie de lemma's over ASCII en Unicode in Wikipedia.
