TEI是人文研究领域基于XML的文本结构化编码标准，提供540多个语义元素（如<gap>、<stage>、<corr>）显性化标注古籍残卷、诗歌韵律、戏剧对白等复杂结构，并强制要求<teiHeader>与<text>两大部分以支持学术元数据与可计算分析。
TEI（Text Encoding Initiative，文本编码倡议）是人文研究领域广泛采用的、基于XML的文本结构化编码标准。它不是一种编程语言或软件，而是一套经过学界长期共识形成的规范体系，用于对文学、历史、语言学等学科的文本进行精细、可扩展、机器可读的标注。
TEI的核心定位：为人文文本提供“可计算的骨架”
人文文本常含复杂结构——比如古籍的残卷标记、诗歌的分行与韵律、戏剧的角色对白、手稿的修订痕迹、多语种混排等。TEI用540多个语义明确的XML元素（如<gap>标残缺、<stage>标舞台提示、<corr>标校勘修正），把这类隐性知识显性化、结构化。这种编码既保留学术判断，又支持检索、比对、可视化和长期归档。
一个典型TEI文档的基本组成
每份合规TEI文件都包含两大部分：
-
头部（
<teiHeader>）：强制包含四大元数据区块——fileDesc（文献来源与物理描述）、encodingDesc（编码方法与依据）、profileDesc（内容特征，如语言、体裁、关键词）、revisionDesc（版本修订日志）； -
正文（
<text>）：按实际文本逻辑组织，支持嵌套层级（如<div type="act">套<sp>再套<speaker>和<p>），并可混合使用语义标签（<foreign>、<date>、<rs>等）与格式无关的描述性标注。
为什么人文学者要用TEI而不是普通XML或Markdown
因为TEI不只是“加标签”，而是承载学术惯例的编码语言：
- 它预置了200+文本类型模板（从词典、信札到碑刻、剧本），避免重复造轮子；
- 通过ODD（One Document Does it All）机制，项目可定制专属Schema，兼顾统一性与灵活性；
- 所有元素定义在公开XML Schema中，支持自动验证（如用Trafilatura或oXygen校验），确保数据可信、可交换；
- 与XSLT、Python（tei_reader）、LaTeX（ekdosis宏包）等工具链深度集成，能一键转HTML展示、PDF出版或DataFrame分析。
实际应用场景举例
不靠抽象概念，看几个真实落地方式：
- 秦汉简牍数字化：用
<gap reason="illegible">标模糊字迹，用<supplied reason="lost">补推测文字，同时保留原始图像链接； - 《莎士比亚全集》早期印刷本比对：用
<app>（校勘 apparatus）包裹异文，内嵌<rdg>（读法）与<wit>（见证手稿），支撑多版本动态对照； - 近代学者书信集：在
<correspAction>中结构化发信人、收信人、时间、地点，并关联CBDB人物数据库ID，实现人物关系网络自动构建。
