Webbstandards - hur väl lever vi upp till dem?

Olle Olsson

2002-04-18

Sammanfattning:

Webbplatser efterlever inte webbstandarder. En undersökning av mer än 300 företags hemsidor visade att praktiskt taget ingen av dessa använder HTML på ett helt korrekt sätt. Typiska felaktigheter är att tagg-strukturen är ogiltig, att icke understödda tecken förekommer i texten, och att dokumenten inte är typ-deklarerade.

Webben är en infrastruktur som knyter samman användare med webbplatser. Den bygger på tanken att vem som helst skall kunna komma åt information och tjänster oberoende av vilka apparater man använder. För att uppnå detta mål måste det finnas standarder, och standarder måste efterlevas. Inom webbområdet finns två huvudstandarder; HTTP-protokollet och HTML-språket.Genom att leverantörer av utrustning och aktörer på webben bekänner sig till dessa standarder kan problemfri kommunikation uppnås.

Huvudansvaret för att access över webben är smärtfri ligger hos webbplatserna. Användare utnyttjar i stort sett bara vad deras webbläsare erbjuder dem, dvs att begära att en viss utpekad webbsida skall visas. Webbplatsen, där sidan finns, skall då leverera denna till användarens webbläsare, och där ska sidan presenteras, så att användaren kan ta del av informationen i den.

En förutsättning för att användarens webbläsare skall kunna presentera sidan på ett meningsfullt sätt är att det innehåll som mottas från webbplatsen är uttryckt i ett språk som webbläsaren kan avkoda. Det är här som HTML-standarden kommer in. Om det som webbläsaren mottar är uttryckt i korrekt HTML så är webbläsaren ansvarig för att presentera detta innehåll på avsett sätt. Men om det som webbplatsen sänder inte är korrekt HTML så kommer webbläsaren att ställas inför ett problem; hur skall den kunna förstå vad webbplatsen sänder, om webbsidan är uttryckt på ett mer eller mindre oförståeligt sätt?

För att få en uppfattning om i hur stor utsträckning webbplatser levererar webbsidor som är uttryckta i korrekt HTML, har en empirisk studie genomförts. En grupp av mer än trehundra företag (fotnot 1) valdes ut, och deras hemsidor analyserades med avseende på om dessa var uttryckta i enlighet med etablerad HTML-standard. Analysen av en webbsida resulterade i en "anmärkningslista" bestående av ett antal "anmärkningar". Om antalet anmärkningar är noll så är sidan korrekt uttryckt, annars är den felaktig.

Det visade sig att det inte var möjligt att analysera alla de mer än trehundra sidorna. Exempel på faktorer som omöjliggjorde en analys var att webbplatsens server inte svarade, och att sidorna inte kunde förstås som HTML. Därför minskade den undersökta mängden sidor till 280, och för dessa insamlades information, t.ex. det antal anmärkningar som analysen av sidan gav.

Det första resultat som kom fram ur analysen är att praktiskt taget alla webbplatser brister i att informera webbläsaren om vilken typ av dokument som de sänder. I "ansvarfulla" webbsidor kan man se en inledande rad som typiskt ser ut som:

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">

En sådan talar om vilken typ av dokument som följer. I detta fall påstår raden att sidan använder HTML som definierat i "HTML 4.01 Transitional". Andra alternativ som man kan se är "HTML 2.0", "HTML 3.2" och "XHTML 1.0 Transitional". Om en "DOCTYPE"-deklaration saknas, så går det, formellt sett, inte att veta hur man skall förstå dokumentet.

Ett annat vanligt förekommande generellt problem är huruvida sidorna talar om för webbläsaren vilken teckenuppsättning som sidan uttrycks i. De som har tittat bakom kulisserna vet att det tidigare var problem med svenska tecken (å, ä, ö), eftersom de inte finns definierade i ASCII, som varit normen för hur tecken skall representeras. Under senare år har dock detta standardiserats, i bemärkelsen att standardiseringsorganisationer har definierat ett antal teckenuppsättningar som täcker olika språkområdens behov. En teckenstandard som täcker svenska behov är "iso-8859-1" (också kallad "latin1").

Då en webbplats skall deklarera vilken teckenuppsättning som sidan är uttryckt i, kan den välja mellan två likvärdiga tekniker. Den första tekniken är att inkludera en rad i HTTP-headern, som talar om hur sidan skall förstås. Det är den s.k. "content-type headern", som kan se ut som:

Content-Type: text/html; charset=iso-8859-1

Alternativet är att inkludera denna information i sidan själv, som ett element i HEAD-delen. Ett sådant element kan se ut som:

<meta http-equiv="Content-Type" content="text/html; charset=iso-8859-1">

Då en sida saknade deklaration av dokumenttyp och/eller teckenuppsättning fick vi lägga till sådana deklarationer, eftersom sidan annars inte kunde analyseras.

Information om att en sida innehåller fel är naturligtvis informativt. Men det är mer intressant att försöka fastställa mönster i felförekomster. Här ska vi beskriva en sådant mönster: sambandet mellan en webbsidas storlek och det antal anmärkningar sidan fått vid analys. Det enda vettiga måttet på en sidan fysiska storlek är antalet tecken som förekommer i sidan (fotnot 2). Sambandet mellan anmärkningar och sidstorlek anges i måttet anmärkningsfrekvens, definierat som genomsnittligt antal anmärkningar per 1000 tecken i sidan.

Resultat:

sambandet mellan sidstorlek och antalet anmärkningar är nästan linjärt
anmärkningsfrekvensen är relativt hög för mindre sidor, men sjunker snabbt till en nästan konstant frekvens ( men större än noll! ) då sidstorleken ökar

Eftersom vissa webbplatser har ägare som branchmässigt bör ha god kunskap och kompetens om webbteknologi, är det rimligt att gissa att dessa webbplatser har färre fel än andra webbplatser. För att testa denna hypotes, uppdelades mängden sidor i två kategorier: (1) hemsidor för företag med IT som en viktig del i företagets utbud, och (2) hemsidor för övriga företag, såsom verkstadsindustri, finansbolag och förvaltningsbolag.

Resultat:

IT-företagens hemsidor hade aningen lägre anmärkningsfrekvens än övriga företags hemsidor (approximativt 2,5 respektive 3 anmärkningar per 1000 tecken)

Sammanfattning:

Det finns förvånansvärt stora brister i hur väl webbplatser lyckas leverera korrekta HTML-sidor. Vissa problem bör vara enkelt åtgärdbara, som att deklarera teckenuppsättning och dokumenttyp. Problem med tagg-strukturen borde aldrig uppstå, om sidan tillverkats på ett kvalitetssäkrat sätt. Resultaten visar såväl att det finns brister i de verktyg som användes för att tillverka webb-sidor, som att kvalitetssäkring av webb-sidor är eftersatt. En intressant observation är att IT-företagens egna hemsidor inte hade markant bättre teknisk kvalitet än övriga företags hemsidor.

Forsättning följer: "Webbstandarder - därför bör man efterleva dem!", som beskriver konkreta nackdelar med att inte kunna leverera webb-sidor uttryckta enligt webb-standarder.

Fotnötter

Företagen var huvudsakligen svenska, men även ett mindre antal europeiska företag ingick i den undersökta mängden Tillbaka
HTML är inte radorienterat. En sida kan bestå an en enda lång rad, men kan också vara "radbruten" vid varje tagg, och det förändrar inte sidans betydelse i något avseende. Allstå är antalet tecken det grundläggande storleksmåttet. Tillbaka

Statistiken

Karaktäristik av den analyserade mängden sidor

De sidor som analyserades var hemsidor för svenska företag samt för en mindre mängd utländska företag. Dessa bildade den ursprungliga mängden.

Storleken av den ursprungliga mänden: 330 sidor.

Alla sidor i den ursprungliga mängden underkastades automatisk analys. Ett antal av dessa sidor kunde, av olika skäl, inte analyseras. Dessa eliminerades från vidare undersökning, och återstoden kallas den undersökta mängden.

Storleken av den undersökta mängden: 280 sidor

Några övergripande data om sidorna i den undersökta mängden är:

Minimum sidstorlek: 89 tecken
Maximum sidstorlek: 129 832 tecken
Sidor som inte deklarerar "doctype": 76%
Minimum antal fel i sida: 1
Maximum antal fel i sida: 591

Sidor som är "onormala" exkluderades från vidare analys. Den återstående effektiva mängden består av sidor som är "normala", vilket betyder att de uppfyller följande villkor:

Sidstorlek ligger i intervallet 1000 .. 50000 tecken
Antalet fel i sida är mindre än 200

Små sidor har exkluderats, eftersom de inte innehåller speciellt mycket av intresse ur analyssynpunkt. Som illustration kan vi se följande "Hejsan världen!"-sida, som har en längd av nästan 240 tecken, men som inte kan sägas vara speciellt meningsfull som en hemsida.


	<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">

	<html>

	<head>

	<meta http-equiv="Content-Type" content="text/html; charset=iso-8859-1">

	<title>Hejsan v&auml;rlden</title>

	</head>

	<body>

	Hejsan v&auml;rlden!

	</body>

	</html>

Exempel på grupper av sidor som var för små för att analyseras är:

sidor som innehåller en "re-direct", dvs bara informerar webbläsaren om att den istället skall visa en sida med en annan URL, och
sidor som består av ett "FRAMESET", som pekar ut andra URL:ar som skall fylla ut ramarna.

Extremt stora sidor eliminerades också från analys, eftersom de typiskt bestod av enorma inbäddade "scripts".

Storleken på den effektiva mängden: 226 sidor

Sidor i den effektiva mängden utgjorde basen för den mer detaljerade analysen.

Övergripande egenskaper hos den effektiva mängden

	IT-företag	Andra företag	Totalt
antal analyserade hemsidor	76	150	226
genomsnittlig sidstorlek	10779	8645	9362
anmärkningsfrekvens	7.59	7.99	7.86
minimum sidstorlek	1001	1016	1001
maximum sidstorlek	44700	37432	44700
minimum anmärkningar på sida	1	1	1
maximum anmärkningar på	187	196	196
antal sidor utan deklarerad doctype	57	116	173
% av sidor utan deklarerad doctype	75	77	76

I följande sektion återges diagram som visar analysresultat.

Analysresultat i diagramform

Industri: Totalt

Anmärkningar vs. sidstorlek

Spridningsdiagrammet ("scatter diagram") visar också en anpassad funktion:

anmärkningsantal(sidstorlek)= 2.93255e^-8*sidstorlek²+0.00200646*sidstorlek+16.1855