TEI是一套面向人文学科的国际通行学术XML编码规范，以结构化语义标签整合文本与元数据，强制包含四大元数据区块，采用模块化设计并由P5 Schema严格约束，根元素为<TEI>，分<teiHeader>和<text>两大部分，广泛应用于古籍整理、版本比对与数字出版。
TEI（Text Encoding Initiative，文本编码倡议）不是一种工具或软件，而是一套面向人文学科的、国际通行的学术XML编码规范。它用结构化、语义明确的XML标签，把文本内容和元数据（如作者、年代、语言、版本、手稿状态等）一起打包保存，让古籍、信札、诗歌、词典等复杂文本既能被人读懂，也能被机器识别、检索、分析和长期存档。
它为什么是“学术XML标准”
因为TEI不是通用XML，而是专为学术研究定制的XML框架：
- 所有标签都有明确定义的人文语义，比如
<gap reason="illegible"/>表示手稿中无法辨认的文字，<choice><sic>旧写法</sic><corr>校正后</corr></choice>记录校勘过程； - 强制包含四大元数据区块：
fileDesc（文献描述）、encodingDesc（编码说明）、profileDesc（内容特征）、revisionDesc（修订日志），确保每份数字文本可溯源、可复现； - 采用模块化设计，支持按需组合——研究简牍可用“手稿描述模块”，编纂词典则启用“词典编码模块”，不强求全功能；
- 所有标签定义由TEI联盟通过XML Schema（P5版）严格约束，任何TEI文件都可通过验证工具（如Trafilatura、Oxygen）自动校验是否合规。
它的基本结构长什么样
一个合法TEI文档必须以<TEI>为根元素，内部严格分为两大部分：
-
<teiHeader>：存放全部元数据，包括标题、作者、创建时间、语言标识（xml:lang）、关键词、编码依据等； -
<text>：承载正文内容，通常再细分为<front>（前言/目录）、<body>（主体）、<back>（附录/索引），层级清晰，便于分段处理与多模态关联（如图文对照）。
例如，一段带异体字标注的古文可能这样编码：
<p>其字作<choice><orig>峠</orig><reg>岭</reg></choice>，见于青木川叙事</p>
它在真实学术场景中怎么用
TEI不是纸上标准，而是驱动实际项目的底层协议：
- 哈佛《中国历代人物传记资料库》（CBDB）用TEI管理数万条人物生平与文献出处；
- 牛津莎士比亚项目将早期四开本、对开本扫描件+校勘注释统一转为TEI，支撑版本比对与文本挖掘；
- 秦汉简牍整理团队用
<damage>、<supplied>等标签标记残缺与补字，实现考古信息与文本逻辑同步存档； - 学者用XSLT将TEI批量转成HTML供在线阅览，或转成LaTeX生成出版级PDF，全程无需人工重排版。
它和普通XML有什么不同
关键不在语法，而在意图和约束力：
- 普通XML允许任意自定义标签，但缺乏语义共识，
<name>可能指人名、地名或书名；TEI中<persName>、<placeName>、<title>各司其职； - 普通XML不强制元数据，TEI要求
teiHeader完整且结构化，否则无法通过验证； - 普通XML没有领域知识嵌入，TEI内置200+种文本类型模板（戏剧、日记、法律文书等），直接复用即可避免重复造轮子。
