Fallstudie & Verfahrensdokumentation: Pāṇinīya-Dhātupāṭha (Böhtlingk-Standard)

Kanonische Ground-Truth, bilinguale Facing-Page-Alignment-Pipeline und hybride Typst-Vektorneuedition für 2.259 Verbalwurzeln auf 410 Buchseiten.
Dieses Projekt ist eine Referenz-Fallstudie (Case Study) zur Buch-Digitalisierungs-Pipeline AlexandriaSandwich im Verbund mit dem Referenzprojekt boethlingk.

1. Ausgangslage & Die Kernfrage

1.1 Das Phänomen: „Digitalisiert aber ohne Layout“ vs. „Digitalisiert UND Original-Layout“

Bei der Digitalisierung des Dhātu-Pāṭha (traditionelles Pāṇinīya-Wurzelverzeichnis) trat ein Phänomen zutage, das für historische Fachliteratur typisch ist:

Das Schwesterprojekt Otto von Böhtlingk (1887) erzeugte durch kanonisches Sūtra-Alignment ein Buchergebnis mit voller Layouttreue und gestochen scharfem Satzbild („digitalisiert UND Original-Layout“).
Der Dhātu-Pāṭha erschien nach einem rein OCR-gestützten Neusatzversuch unstrukturiert: Tabellarische Wurzelspalten brachen auseinander, grammatische Bedeutungen flossen in Absätze zusammen („digitalisiert, aber ohne Layout“).

Die Klärung der Ursachen und die Übertragung des Böhtlingk-Standards auf den Dhātu-Pāṭha führten zu grundlegenden Erkenntnissen für die gesamte Editionsarchitektur.

1.2 Die Struktur des historischen Ausgangswerkes

Das 410-seitige Werk weist eine komplexe zweifache Binnenstruktur auf:

Sektionsstruktur:
- Front Matter (S. 1–25): Rein einspaltiger Fließtext (Vorwort, grammatische Einführung, Lautgesetze, Erläuterung der It-Marker) in zusammenhängenden Absätzen.
- Hauptteil (S. 26–285): Streng zweispaltiges Wörterbuch- und Tabellenlayout der 10 Gaṇas (Wurzelklassen von Bhvādi bis Curādi).
- Back Matter (S. 286–410): Register, Indizes und Anhangstabellen.
Bilinguale Gegenüberstellung (Facing Pages):
- Ungerade Seiten (rechts): Primärer Sanskrit-Text in Devanāgarī mit traditionellen Aupadeśika-Markern und Lokativ-Bedeutungen (arthas).
- Gerade Seiten (links): Gegenüberliegende wissenschaftliche Transliteration (IAST) mit englischer Übersetzung und grammatischen Attributen (Pada, Seṭ/Aniṭ, Sakarmaka/Akarmaka).

2. Ursachenanalyse: Warum blindes „Reverse-Layout“ scheitert

Der Versuch, aus rohem OCR-Volltext das Original-Layout rein regelbasiert oder statistisch Seite für Seite zu rekonstruieren, scheitert an zwei strukturellen Hürden:

text

[Roher OCR-Datenstrom] ──► Sequentielles Auslesen (1D)
                                  │
         ┌────────────────────────┴────────────────────────┐
         ▼                                                 ▼
[Problem 1: Serialisierungsverlust]              [Problem 2: Layout-Zwang]
Zweispaltige Wurzel/Bedeutung-Flucht             Ein globales 2-Spalten-Layout
wird zu flachem 1D-Fließtext reduziert.          zerstört das 1-spaltige Vorwort;
Typst muss Spaltenbrüche raten.                  1-Spalten-Layout zerstört das Lexikon.

Serialisierungsverlust: OCR-Engines lesen Textblöcke primär linear aus. Bei mehrspaltigen Wörterbüchern werden Wurzeln und ihre zugehörigen Übersetzungen zeilenweise vermischt oder in falscher Reihenfolge serialisiert.
Globaler Layout-Zwang: Wird dem Satzgenerator (Typst) ein starres Spaltenmodell verordnet, entsteht entweder im Vorwort unleserlicher Schmalspaltensatz oder im Hauptteil ein unübersichtlicher Fließtext ohne Spaltentrennung.

3. Die Lösung: Der 4-Säulen-Böhtlingk-Standard

Um maximale visuelle und philologische Treue zu erzielen, trennt das Projekt strikt zwischen dem Faksimile-Erhalt und der semantisch geführten Neuedition:

text

                              ┌──────────────────────┐
                              │  Rohscans / Quelle   │
                              └──────────┬───────────┘
                                         │
                 ┌───────────────────────┴───────────────────────┐
                 ▼                                               ▼
   [ SÄULE 1: FAKSIMILE-GARANTIE ]                [ SÄULE 2: KANONISCHES ALIGNMENT ]
   • 1:1 unveränderte Scan-Pixel                  • Abgleich gegen dhatupatha_canonical.json
   • Unsichtbarer Bbox-Textlayer                  • Bilinguale 10-Gaṇa-Statusmaschine
   • Dhatu-patha.perfect_sandwich.pdf             • 100 % lückenloses dhatupatha_complete.json
                                                                 │
                                                                 ▼
   [ SÄULE 4: HERMETISCHES FONT-DEPLOY ]          [ SÄULE 3: TYPST-VEKTORNEUEDITION ]
   • data/fonts/ (Noto + Libertine)               • S. 1–25:  1-Spalten Fließtext
   • APT fonts-noto-extra auf Linux               • S. 26–285: 2-Spalten-Gitter mit grid.vline
   • Null Tofu-Zeichen (?)                        • Marginal-Konkordanz: [S. 26]

Säule 1: Die Faksimile-Garantie (`*.perfect_sandwich.pdf`)

Die 410 Originalscans bleiben unverändert und pixelgenau als Bildschicht erhalten.
Der bereinigte Volltext liegt unsichtbar (PDF Text Rendering Mode 3) exakt auf den Bounding-Boxen der historischen Druckzeilen.
Garantie: 100 % historische Beweiskraft, 0 % Layout-Risiko, vollständige Volltext-Durchsuchbarkeit.

Säule 2: Kanonische Ground-Truth & Bilinguales Facing-Page-Alignment

Anstatt den unvollkommenen OCR-Text blind zu setzen, wird er über eine zweistufige Pipeline semantisch kuratiert:

Kanonische Referenzdatenbank (scripts/build_dhatupatha_groundtruth.py):
- Erzeugt data/dhatupatha_canonical.json (2.259 Wurzeln über alle 10 Gaṇas).
- Enthält kanonische Devanāgarī, IAST, Aupadeśika-It-Marker (z. B. टु, डु, इर्), Sanskrit-Bedeutungen im Lokativ (भू सत्तायाम्), englische Übersetzungen und Pāṇinīya-Klassifikationen.
Bilinguale Alignment-Engine (scripts/align_dhatupatha.py):
- Da der Druck gegenüberliegende Seiten nutzt (ungerade Devanāgarī, gerade IAST), gleicht die Statusmaschine die Erkennung gegen beide Schriftsysteme parallel ab.
- Unleserliche Devanāgarī-Ligaturen werden durch die lateinische Transliteration der Gegenseite verifiziert und umgekehrt.
- Ergebnis: data/dhatupatha_complete.json (100 % lückenloser Masterkatalog, vollständig mit den Original-Seitenzahlen verknüpft).

Säule 3: Sektionsspezifische Layouttreue in Typst (`scripts/build_typeset_edition.py`)

Die Vektorneuedition passt ihr Layout dynamisch an die logischen Abschnitte des Werkes an:

Front Matter (S. 1–25):
- Einspaltiger, eleganter Fließtext in Standardbreite.
- Erhalt der originalen Absätze, Paragraphen und Gliederungspunkte.
- Randnotizen mit Scan-Konkordanz ([S. 6], [S. 11]).
Hauptteil / Wörterbuch (S. 26–285):
- Zweispaltiges Tabellengitter mit vertikaler Trennlinie (grid.vline).
- Zentrierte Gaṇa-Kopfzeilen (z. B. 1. Bhvādigaṇaḥ / भ्वादिगणः).
- Fette Devanāgarī-Wurzel mit Akzenten, daneben kursive IAST-Umschrift, Lokativ-Bedeutung und englische Übersetzung.
- Marginalien zur schnellen Orientierung ([S. 26]).
Lebende Kolumnentitel (Running Headers):
- Dynamischer Typst-Header: Gerade Seiten tragen den Buchtitel; ungerade Seiten zeigen den aktuellen Gaṇa-Namen und die Seitenzahl.

Säule 4: Cross-Platform Font-Vendoring & Linux-Tofu-Fix

Ein kritischer Befund bei der Portierung von macOS auf Linux-Produktionsserver:

Das Problem: Unter macOS renderte Typst fehlerfrei, da macOS indische Systemschriften vorhält (Devanagari MT, Kohinoor Devanagari). Im Linux-Worker-Container erschienen jedoch alle Devanāgarī-Zeichen als Fragezeichen in Kästchen (?, Tofu).
Die Lösung:
1. Hermetisches Font-Vendoring: Open-Source-Schriften liegen direkt im Repository unter data/fonts/:
  - NotoSerifDevanagari-Regular.ttf & NotoSerifDevanagari-Bold.ttf
  - LinLibertine_R.otf, LinLibertine_RB.otf, LinLibertine_RI.otf
2. Automatischer Font-Pfad: Übergabe von --font-path data/fonts beim Typst-Aufruf.
3. Universelle Schriftkaskade:
  typst
```
#set text(
  font: ("Linux Libertine O", "Baskerville", "Times New Roman", "Noto Serif Devanagari", "Devanagari MT", "Kohinoor Devanagari"),
  size: 10pt,
  lang: "de"
)
```

4. Validierung & Ergebnisse

Eigenschaft	Roher OCR-Neusatz (initial)	Böhtlingk-Standard (dhatupatha)
Faksimile-Ebene	Fehlend oder ungenau	100 % 1:1 Scan-Faksimile (`*.perfect_sandwich.pdf`)
Layout Front Matter	Fälschlich 2-spaltig gequetscht	1-spaltiger eleganter Fließtext mit Scan-Referenzen
Layout Wörterbuch	1-spaltig vermischt	2-spaltiges Gitter mit `grid.vline` & Gaṇa-Hierarchie
Wurzelbestand	~1.850 Fragmente mit OCR-Fehlern	2.259 Wurzeln (100 % lückenlos, 0 Duplikate)
Devanāgarī-Rendering	Tofu-Fragezeichen (`?`) auf Linux	100 % saubere Vektorglyphen (Noto Serif Devanagari)
Kompilierungszeit	Mehrere Minuten	~2,4 Sekunden für 229 Seiten (Typst 0.11.1)
Dateigröße Neusatz	Unbereinigt	2,96 MB Vektor-PDF (durchsuchbar, gestochen scharf)
Zitierfähigkeit	Seitenbezug ging verloren	Marginal-Konkordanz `[S. XX]` auf jeder Seite

5. Autarker QA-Viewer (`viewer.html`)

Für die philologische Revision und dauerhafte Prüfung wurde viewer.html nach dem Payer Global Web Editor Standard implementiert:

Split-Pane: Links Kontext und philologische Parameter (mit Scan-Seitenzahl [S. XX]), rechts der strukturierte Wurzel-Editor.
Snippet-Toolbar: Direkte Schaltflächen für Dandas (॥, ।, ऽ, °), Akzentzeichen (॑, ॒) und alle IAST-Diakritika (ā, ī, ū, ṛ, ñ, ṭ, ḍ, ṇ, ś, ṣ).
Silent Auto-Repair on Save: Beim Speichern (⌘S / Ctrl+S) werden Pipes (||) lautlos zu Dandas (॥) gewandelt, doppelte Leerzeichen normalisiert und fehlerhafte Steuerzeichen entfernt. Visuelle Rückmeldung erfolgt unaufdringlich durch kurzes Gelb-Blinken der Schaltfläche ohne Modal-Popups.
Local Storage First & File System Access API: Ermöglicht direktes lokales Speichern in data/dhatupatha_complete.json.

6. Zusammenfassendes Fazit

Die Qualität des Endprodukts entsteht nicht durch den Versuch, ein gedrucktes Layout aus unstrukturiertem OCR-Text „rückwärts zu erraten“ (Reverse-Layout), sondern durch das Zusammenspiel zweier autarker Pfade:

Das Sandwich-PDF archiviert und schützt das historische Originalbild mit absoluter 1:1-Treue.
Die Typst-Neuedition baut auf einer kanonisch verifizierten Datenbasis auf und wendet professionelle typografische Regeln sektionsspezifisch an.

Fallstudie & Verfahrensdokumentation: Pāṇinīya-Dhātupāṭha (Böhtlingk-Standard) ​

1. Ausgangslage & Die Kernfrage ​

1.1 Das Phänomen: „Digitalisiert aber ohne Layout“ vs. „Digitalisiert UND Original-Layout“ ​

1.2 Die Struktur des historischen Ausgangswerkes ​

2. Ursachenanalyse: Warum blindes „Reverse-Layout“ scheitert ​

3. Die Lösung: Der 4-Säulen-Böhtlingk-Standard ​

Säule 1: Die Faksimile-Garantie (*.perfect_sandwich.pdf) ​

Säule 2: Kanonische Ground-Truth & Bilinguales Facing-Page-Alignment ​

Säule 3: Sektionsspezifische Layouttreue in Typst (scripts/build_typeset_edition.py) ​

Säule 4: Cross-Platform Font-Vendoring & Linux-Tofu-Fix ​

4. Validierung & Ergebnisse ​

5. Autarker QA-Viewer (viewer.html) ​

6. Zusammenfassendes Fazit ​