Text som dokumentfiler

Inom den digitala sfären används ofta ordet ”dokument” som en synonym för ”fil”, men här menar vi dokumentfiler, det vill säga digitala filer för lagring och delning av primärt textbaserad information som skrivits på naturligt språk för en mänsklig läsare.

Dokumentfiler kan även inkludera annat innehåll (t.ex. bilder, figurer och tabeller) som antingen är inbäddat i själva dokumentfilen eller som läggs till med länkar och sökvägsreferenser till andra filer. Texten i dokumentfiler kan vara oformaterad, men formatet tillåter att man använder olika textstilar, teckensnitt och formatering för att förstärka eller lägga till ytterligare betydelse till texten, i enlighet med de stilistiska konventioner som gäller inom fältet som texten skrivs för.

Genom att strukturera innehållet med rubriker och underrubriker blir det lättare att förmedla innehållets tematiska struktur till läsaren. Sidnumrering var tidigare en viktig funktion i dokumentfiler, eftersom dokumentfiler var ett verktyg för att skapa tryckt material, men idag är dokumentfiler ofta avsedda för läsning på skärm och där fyller sidnumrering inte samma funktion.

Vanliga dokumentfilformat och deras användningsområden

Dokumentfiler kan skapas på flera olika sätt. Det är bara de enklaste dokumenten som kan sparas och förmedlas som rena textfiler (.txt) eftersom textfiler inte har någon funktion för att koda struktur eller formatering och inte heller kan inkludera bilder eller annat innehåll som inte är text.

De flesta dokumentfiler skapas via ordbehandlingsprogram (t.ex. Microsoft Word eller OpenOffice-baserade program som LibreOffice Writer och Apache OpenOffice Writer) eller i molnbaserade program som Google Dokument. De vanligaste arbetsformaten för sidnumrerade dokumentfiler är de XML-baserade formaten .docx (Office Open XML) och .odt (OpenDocument). Dessa båda format är internationellt erkända öppna standarder som kan läsas av många olika program.

En annan gren av dokumentfiler bygger på LaTeX, ett typsättningssystem som baseras på typsättningsprogrammet TeX. LaTeX används främst inom akademiska områden som i stor utsträckning använder matematiska ekvationer, men har även dokumentstilar för exempelvis artiklar, böcker och presentationer, och stöd för referenser och automatisk numrering av stycken, ekvationer och figurer.

Många slutversioner av dokumentfiler sparas i PDF-format (Portable Document Format). Det gör det möjligt att öppna och läsa dokumentfilerna med bibehållet format och struktur, men gör det svårare att redigera dokumentet. PDF-formatet är flexibelt och systemoberoende och det är lätt att hitta gratisprogram för att läsa PDF-filer. Det rekommenderade formatet för långtidsbevarande av PDF-filer är PDF/A, en ISO-standardiserad version av PDF som säkerställer att dokumentet visas på ett konsekvent sätt i alla PDF-läsare över tid.

Medan ordbehandlingsprogram och LaTeX ursprungligen är system för att skapa pappersdokument är HyperText Markup Language (HTML) ett så kallat märkspråk eller uppmärkningsspråk (markup language) som designats för att visas i webbläsare. Principen bakom HTML och det mer generella Extensible Markup Language (XML) är att strukturen och innehållet i ett dokument är isolerade från instruktionerna (koden) för hur elementen ska presenteras. HTML-filer är avsedda för webbläsare och förlorar funktionalitet och formatering om de sparas i PDF-format eller skrivs ut på papper.

Ett enklare märkspråk är Markdown, som fyller en nisch i ekosystemet för digitala dokumentfiler mellan vanlig text och HTML. Det viktigaste med Markdown-dokument är att de kan läsas och skrivas som rena textfiler och inte ser ut som om de har märkts upp med taggar eller formateringsinstruktioner, men de kan samtidigt lätt omvandlas både till Word- och PDF-format och till HTML för att visas i en webbläsare med formatering och hypertextlänkar.

Att tänka på när du skapar dokumentfiler

När du sparar dokument som PDF eller PDF/A , se till att även spara dokumenten separat i det ursprungliga formatet (t.ex. .docx eller .odt). Kontrollera att typsnittet är korrekt och att bilder är infogade på rätt ställen. Var noga med att det som ska bevaras verkligen är den rensade slutliga versionen av dokumentet, utan anteckningar och kommentarer från olika arbetsversioner.

Var också noga med följande:

• Den hierarkiska strukturen i dokumentet (t.ex. olika rubriknivåer).
  Arbeta systematiskt med formatmallar, eftersom det skapar metadata som följer med vid konvertering. Exempel på detta är automatiserad innehållsförteckning och ankaren/bokmärken med koppling till sidnummer.
• Sidnumreringen i dokumentet. Om en användare vill kunna citera och referera till dokumentet måste sidangivelsen vara korrekt även i PDF-dokumentet.
  För sidnumrerade dokumentfiler är det bra om sidnumreringen som syns i dokumentet är synkroniserad med uppmärkningen och att den följer med vid filkonvertering. Enligt standardnumrering är till exempel sidan som ges sidnummer 1 den första sidan efter innehållsförteckningen. Om möjligt ska sådan information om uppmärkning av sidnummer exporteras till PDF-dokumentet så att PDF-läsare visar samma sidnumrering, snarare än att ange omslagssidan som sida 1 och de följande sidorna sekventiellt därefter.
• När infogat material, främst bilder, betraktas som datamaterial bör dessa också sparas separat.

Föreslagna filformat för delning

Eftersom de dominerande filformaten för dokumentfiler är extremt välkända och har brett stöd finns det sällan något behov av att dela dokumentfiler i proprietära format. Notera dock att filer i det äldre MS Word-formatet (.doc) bör konverteras till Office Open XML-format (.docx) eller exporteras till PDF innan de tillgängliggörs.

• ASCII (.txt), Unicode (.txt)
• MS Word (.docx)
• OpenDocument Text (.odt)
• PDF (.pdf), PDF/A (.pdf)
• HTML (.html)
• Markdown (.md)
• XML (.xml)
• SGML (.sgml)
• Rich Text Format (.rtf)

Föreslagna filformat för långtidsbevarande i arkiv eller liknande

De bästa filformaten för att dela dokumentfiler med andra i nutid är inte alltid de bästa för långtidsbevarande och arkivering. Riksarkivet har på sin webbplats samlat information om krav, rekommendationer, vägledningar och stöd för bland annat beständiga format för elektroniska handlingar på sidan Elektroniska handlingar. Nedan listar vi några filformat som är föreslagna för långtidsbevarande i arkiv eller liknande.

Notera att PDF, som är skapat av Adobe, är proprietärt, vilket gör att det inte lämpar sig för långtidsbevarande. Formatet PDF/A är baserat på PDF-formatet och togs fram som en öppen standard för att kunna användas för långtidsbevarande.

• ASCII (.txt), Unicode (.txt)
• MS Word (.docx)
• OpenDocument Text (.odt)
• PDF/A (.pdf)
• • HTML (.html)
• Markdown (.md)
• XML (.xml)