Anreicherung

Einleitung OpenRefine
Die Informationen auf dieser Seite beziehen sich auf die zum Zeitpunkt März 2026 aktuelle Version OpenRefine 3.10.0. Die beschriebenen Schritte wurden unter Linux ausgeführt.
Betriebssystemspezifische Hinweise für Windows und macOS finden sich in der offiziellen OpenRefine‑Dokumentation.
Metadatenanreicherung beschreibt den Prozess, digitale Inhalte (Bilder, Dokumente, Datensätze) durch Hinzufügen strukturierter Informationen, wie IDs, Geodaten oder Beschreibungen, aufzuwerten. Diese Anreicherung verbessert die Auffindbarkeit, Verwaltung und Vernetzung der Daten.
Ein wichtiger Bestandteil dieses Prozesses ist die Anbindung an kontrollierte Vokabulare oder Linked-Open-Data-Datenbanken (z. B. Wikidata, GND). OpenRefine bietet dafür integrierte Funktionen zur Datenbereinigung und zum Abgleich (Reconciliation) mit externen Quellen.
OpenRefine (ehemals Google Refine) ist eine OpenSource Software zur Bearbeitung tabellarischer Daten. Es wird als "A power tool for working with messy data. - Ein leistungsstarkes Werkzeug für die Arbeit mit unstrukturierten Daten." beschrieben.
Typische Anwendungsbereiche umfassen:
Analysieren großer und "unordentlicher" Datensätze
Korrigieren von Fehlern
Anreichern von Daten mit externen Informationen
Normalisieren und Vereinheitlichen von Daten
Transformieren und Strukturien von Daten
Obwohl OpenRefine im Webbrowser ausgeführt wird, benötigt die Anwendung grundsätzlich keine Internetverbindung. Alle Daten werden lokal auf dem jeweiligen Rechner verarbeitet und nicht online übertragen. Eine Ausnahme bilden Funktionen, die auf externe Dienste zugreifen – etwa Reconciliation Services oder bestimmte Extensions wie die LLM‑Erweiterungen.
OpenRefine erstellt beim Import eine lokale Kopie der Daten in Form eines Projekts. Die Originaldateien bleiben dadurch unverändert. Soll dasselbe Projekt auf mehreren Rechnern weiterbearbeitet werden, muss es zunächst exportiert und anschließend auf die jeweiligen Geräte übertragen werden.
Daten bleiben lokal auf dem Rechner und werden nicht ins Internet übertragen.
Nur Funktionen wie Reconciliation Services oder bestimmte Extensions (z. B. LLM‑Erweiterungen) benötigen eine Online‑Verbindung.
Installation von OpenRefine
Die Installationsdateien für OpenRefine können über die offizielle Webseite  heruntergeladen werden. Unter Linux wird in der Regel eine ZIP‑Datei bereitgestellt, die am gewünschten Installationsort entpackt wird.
Zum Ausführen von OpenRefine wird ein Java Runtime Environment (JRE) benötigt. Hinweise zum Download und zur Installation finden sich unter: https://www.java.com
Um OpenRefine unter Linux zu starten, navigieren wir im Terminal in den entpackten OpenRefine‑Ordner und führen den folgenden Befehl aus:
./refine
Dadurch öffnet sich ein neues Fenster im Standardbrowser, in dem OpenRefine ausgeführt wird. Empfohlen werden WebKit‑basierte Browser wie Opera, Google Chrome oder Microsoft Edge, da es unter Firefox zu bekannten Performanceproblemen kommen kann. Internet Explorer wird nicht unterstützt.
Soll OpenRefine nicht im Standardbrowser geöffnet werden, kann es im Headless‑Mode gestartet werden:
./refine -x refine.headless=true
Anschließend lässt sich OpenRefine in jedem beliebigen Browser über folgende Adresse öffnen:
http://127.0.0.1:3333
Nach dem Start zeigt das Hauptmenü die verwendete OpenRefine‑Version und bietet verschiedene Optionen. Projekte können erstellt, geöffnet oder importiert werden. Zudem kann die Sprache geändert oder eine Übersicht der installierten Extensions aufgerufen werden.
Wir belassen die Benutzeroberfläche in Englisch, um eine bessere Kompatibilität mit vorhandenen Lernmaterialien sicherzustellen. Daher werden auch in dieser Dokumentation überwiegend die englischen Bezeichnungen verwendet.
OpenRefine wird durch die Tastenkombination 
Strg + C im Terminal gestoppt, dabei werden alle Änderungen automatisch gespeichert.
Installation von Extensions
OpenRefine kann über unterschiedliche Erweiterungen (Extensions) individuell an spezifische Arbeitsabläufe angepasst werden. Eine Übersicht der verfügbaren Extensions gibt es unter: https://openrefine.org/extensions
Es gibt zwei Möglichkeiten, Extensions zu installieren:
Installation im OpenRefine‑Programmordner
Die Erweiterung steht nur dieser konkreten OpenRefine‑Installation zur Verfügung.
Bei Updates von OpenRefine muss sie erneut installiert werden.
Installation im persönlichen Workspace‑Ordner
Die Erweiterung ist für alle OpenRefine‑Installationen des Benutzers verfügbar.
Updates von OpenRefine haben in der Regel keinen Einfluss auf die installierten Extensions.
Im Folgenden beschreiben wir die Installation im Programmordner.
Manche Erweiterungen verfügen über eigene, spezifische Installationsanleitungen, die unbedingt beachtet werden sollten. Grundsätzlich ist die Installation von Extensions in OpenRefine sehr einfach:
ZIP‑Datei der gewünschten Extension herunterladen.
Den Ordner 
webapp/extensions im OpenRefine‑Installationsverzeichnis lokalisieren.
Die heruntergeladene ZIP‑Datei in diesem Ordner entpacken.
OpenRefine starten.
Eine Extension wurde erfolgreich installiert, wenn ihre zusätzlichen Funktionen in OpenRefine sichtbar bzw. nutzbar sind. Details dazu finden sich in der jeweiligen Dokumentation der Erweiterung.

Grundlegende OpenRefine Funktionen
Erstellen eines OpenRefine Projekts
Um Daten in OpenRefine bearbeiten zu können müssen diese als neues OpenRefine‑Projekt importiert werden. Generell kann OpeRefine eine Vielzahl and möglichen Formaten importieren. Das OpenRefine Handbuch bietet hierfür eine genauere Beschreibung.
Um ein Projekt zu erstellen, öffnen wir auf der Startseite von OpenRefine das Menü 
Create Project.
Unter 
Get data from wählen wir die Option 
This Computer.
Alternativ können Daten auch über eine URL geladen, aus der Zwischenablage eingefügt oder aus einer Datenbank importiert werden.
Über 
Choose Files wählen wir anschließend unsere Datei aus und klicken auf 
Next >>, um die Import‑Vorschau zu öffnen.
Im Parsing‑Menü lassen sich verschiedene Einstellungen festlegen, die bestimmen, wie OpenRefine die Datei einliest.
Hier kann beispielsweise die Option 
Trim leading & trailing whitespace from strings aktiviert werden, um überflüssige Leerzeichen am Anfang oder Ende eines Textfeldes automatisch zu entfernen.
Welche Einstellungen sinnvoll sind, hängt vom jeweiligen Datensatz ab. Die Vorschau erleichtert es, die passenden Optionen auszuwählen.
Der Projektname kann individuell angepasst werden, und das Erstellen von Tags ermöglicht eine leichtere Navigation in der Projektübersicht.
Sind alle Einstellungen vorgenommen, wird das Projekt über 
Create Project >> erstellt.
OpenRefine Datentypen 
OpenRefine bietet vier Datentypen:
string (ein oder mehr Textzeichen)
number (ein oder mehr Zahlen)
boolean ("true" oder "false" Werte)
date (ISO-8601-compliant extended format with time in UTC: YYYY-MM-DDTHH:MM:SSZ)
Die Typen number, date, und boolean werden grün angezeigt. Strings werden schwarz angezeigt. Sollten Werte, welche eigentlich eine Zahl repräsentieren schwarz angezeigt handelt es sich dabei um strings welche erst in das number Format konvertiert werden müssen. Funktionen dazu finden sich in Column Dropdown → 
Edit cells > Common transforms > To [...].
Zusätzlich hat OpenRefine noch die Datentypen error für Fehler und null für leere Zellen.
Wichtig: Die möglichen Facetten für eine Spalte hängen vom jeweiligen Datentyp ab.
Layout
Ähnlich wie die meisten Tabellenbearbeitungsprogramme strukturiert OpenRefine die Daten in Spalten (Columns) und Reihen (Rows). Die Spalten enthalten dabei die einzelnen Merkmale (Features), während die Reihen die einzelnen Dateneinträge repräsentieren.
Auf die meisten Funktionen in OpenRefine lässt sich über die Dropdown‑Menüs zugreifen, die sich am oberen Rand jeder Spalte befinden.
OpenRefine bietet zwei Optionen zum Anzeigen der Daten.
Reihen-Ansicht in der jede Reihe als eigenständiger Eintrag gesehen wird
Record-Ansicht in der Reihen zu einem zusammenhängenden Eintrag zusammengefügt werden.
 
Unter 
Show as: kann durch auswählen von 
rows oder 
records zwischen den verschiedenen Ansichten gewechselt werden.
Die ausgewählte Ansicht hat Einfluss auf das Verhalten von OpenRefine. Durch die Record-Ansicht ist bei Daten, die mehrere Zeilen pro Objekt enthalten eine konsistente Bearbeitung zusammenhängender Informationen möglich.
Records in OpenRefine
OpenRefine gruppiert mehrere Zeilen zu einem Record, wenn diese logisch zusammengehören, zum Beispiel, wenn ein Objekt mehrere Schlagwörter, mehrere Personen oder unterschiedliche Datenelemente besitzt.
Jede Zeile innerhalb eines Records stellt dabei einen einzelnen Wert dar.
OpenRefine entscheidet anhand der Werte in der linken Spalte, ob eine neue Zeile zu einem bestehenden Record gehört oder einen neuen Record beginnt.
Steht in einer Zeile in einer der linken Spalten ein Wert, beginnt OpenRefine einen neuen Record.
Bleiben diese Zellen leer, wird die Zeile dem vorherigen Record zugeordnet. Dabei ist die erste Spalte ausschlaggebend für die Gesamtstruktur. Soll jede Reihe im Dokument als eigener Records gesehen werden, muss die erste Spalte vollständig gefüllt sein.
Spalten ordnen und umbenennen
Es gibt zwei Möglichkeiten, Spalten in OpenRefine neu zu ordnen:
1. Über das Dropdown‑Menü der Spalte „All“ 
Unter All Dropdown → 
Edit columns > Re-order / remove columns… können alle Spalten gleichzeitig neu angeordnet oder entfernt werden.
Dabei öffnet sich ein separates Fenster, in dem die Spalten per Drag‑and‑Drop verschoben werden können.
Durch das Verschieben einer Spalte in den rechten Bereich wird sie aus der Ansicht entfernt.
2. Über das Dropdown‑Menü einer einzelnen Spalte 
Jede Spalte kann auch individuell bewegt werden.
Dazu wählen wir Column Dropdown → 
Edit column und anschließend eine der entsprechenden 
Move column […]‑Optionen.
Diese Änderungen werden direkt auf das Datenset angewendet.
Über Column Dropdown → 
Edit column > Rename this column… können Spalten umbenannt werden,
und über Column Dropdown → 
Edit column > Remove this column lassen sie sich löschen.
Die baumartige Record-Struktur in OpenRefine ergibt sich aus der Anordnung der Spalten von links nach rechts.
  Eine Veränderung der Spaltenreihenfolge kann direkten Einfluss auf die Struktur und Gruppierung der Records haben.
Wird eine Spalte vorübergehend nicht benötigt, soll aber für später erhalten bleiben, kann sie ausgeblendet werden.
Über Column Dropdown → 
Hide / Show stehen verschiedene Optionen zum Aus- und Einblenden zur Verfügung.
Spalten vereinigen und trennen
OpenRefine bietet außerdem leistungsstarke Funktionen, um Spalten aufzuteilen oder zusammenzuführen.
Über Column Dropdown → 
Edit column lassen sich sowohl 
Split into several columns... als auch 
Join columns... auswählen.
Split into several columns...:
Diese Funktion eignet sich, wenn eine Zelle mehrere Informationen enthält, die durch ein Trennzeichen (z. B. Komma, Semikolon oder Leerzeichen) getrennt sind. OpenRefine erstellt daraus automatisch mehrere neue Spalten.
Zusätzlich kann festgelegt werden, wie viele neue Spalten maximal erstellt werden sollen.
Join columns...:
Diese Option kann verwendet werden denn Informationen aus mehreren Spalten in einer einzigen Spalte zusammengeführt werden sollen.
Dabei lässt sich ein optionales Trennzeichen definieren (z. B. Komma oder Semikolon), das zwischen die zusammengeführten Werte gesetzt wird. Die Spalten, die zusammengeführt werden sollen, können direkt im Menü ausgewählt werden. Dabei lässt sich festlegen, wie Null‑Werte behandelt werden sollen. Außerdem kann bestimmt werden, ob die zusammengeführten Inhalte in einer neuen Spalte gespeichert oder in eine bestehende Spalte geschrieben werden sollen. Optional besteht auch die Möglichkeit, die ursprünglichen Spalten nach dem Zusammenführen zu löschen.
Diese Werkzeuge sind besonders hilfreich, um komplexe oder falsch strukturierte Daten in ein konsistentes und besser analysierbares Format zu bringen.
Zellen vereinigen und trennen
Ähnlich wie bei Spalten können auch Zellen innerhalb einer Spalte zusammengeführt oder aufgeteilt werden.
In Column Dropdown → 
Edit cells finden wir die Optionen 
Split multi-valued cells... und 
Join multi-valued cells.... Dabei lässt sich jeweils ein gewünschtes Trennzeichen (Separator) festlegen.
Für diese Operationen ist die Record‑Struktur von OpenRefine besonders wichtig.
Wenn wir Zellen aufteilen, erzeugt OpenRefine zusätzliche Zeilen innerhalb desselben Records.
Dadurch wird der Record tiefer und er enthält mehr Zeilen und damit mehr einzelne Werte.
Wenn wir Zellen zusammenführen, fasst OpenRefine mehrere Zeilen bzw. Werte zu einer einzigen Zelle zusammen. Dadurch wird der Record flacher, weil mehrere Einträge zu einem Wert verschmelzen.
Diese Struktur beeinflusst direkt, wie Facets, Filter und Reconciliation‑Prozesse funktionieren.
Eine saubere Record‑Struktur ist daher entscheidend, um die Daten später korrekt analysieren und weiterverarbeiten zu können.
Insbesondere bei hierarchischen oder gruppierten Daten sind Column Dropdown → 
Fill down und Column Dropdown → 
Blank down wichtige Werkzeuge.
Fill down:
Diese Funktion füllt leere Zellen mit dem nächstoberhalb liegenden Wert.
Sie eignet sich vor allem, wenn Informationen in einer Spalte nur einmal pro Record angegeben sind und auf die darunterliegenden Zeilen übertragen werden sollen.
Blank down:
Das Gegenstück zu Fill Down.   Damit lassen sich Zellen unterhalb eines Werts gezielt leeren, sodass nur der erste Eintrag einer Gruppe sichtbar bleibt.
Dies ist nützlich, wenn redundante Informationen entfernt oder die Datenstruktur für Record‑Ansichten bereinigt werden soll.
Sortieren
Über die Option Column Dropdown → 
Sort... können wir die Zeilen unserer Daten sortieren.
Dabei lassen sich verschiedene Kriterien festlegen, wie der OpenRefine‑Datentyp, eine auf- oder absteigende Sortierung sowie die Position leerer oder fehlerhafter Zellen.
Nach dem Bestätigen der Auswahl erscheint oberhalb der Daten ein neues 
Sort‑Dropdown‑Menü.
Dort können wir die Sortierung wieder entfernen oder die Reihenfolge umkehren.
Im Gegensatz zu anderen Tabellenbearbeitungsprogrammen wie Excel wird eine Sortierung in OpenRefine nicht automatisch dauerhaft übernommen.
Erst durch die Auswahl von 
Sort > Reorder rows permanently wird die aktuelle Sortierung tatsächlich im Datensatz gespeichert.
Undo/Redo
OpenRefine bietet ein unbegrenztes Undo/Redo-System. Das bedeutet, dass jederzeit sämtliche Bearbeitungsschritte zurückgenommen oder wiederhergestellt werden können.
Werden Schritte rückgängig gemacht und danach neue Schritte ausgeführt, werden die zuvor bestehenden Schritte dauerhaft überschrieben und können nicht wiederhergestellt werden.
Deshalb empfiehlt es sich, vor experimentellen Änderungen die bisherigen Bearbeitungsschritte zu exportieren und zu sichern.
Ein weiteres starkes Feature von OpenRefine ist die Möglichkeit, sämtliche durchgeführten Schritte als Workflow zu exportieren. Diese gespeicherten Workflows können anschließend auf andere Projekte angewendet werden. Hierbei gibt es jedoch Einschränkungen, da unteranderem Spaltennamen übereinstimmen müssen.
Filter
Manchmal möchten wir nur Zeilen anzeigen, die bestimmte Werte enthalten. Dafür bietet OpenRefine eine Filtermöglichkeit.
Wir wählen dazu Column Dropdown → 
Text filter. Dadurch erscheint im Bereich 
Facet / Filter eine Eingabezeile, in die wir Suchbegriffe eingeben können.
Der Textfilter funktioniert ähnlich wie eine klassische Suchfunktion. Es kann nach einzelnen Buchstaben oder ganzen Wörtern gefiltert werden. Darüber hinaus lassen sich Regular Expressions (Regex) einsetzen oder die Suche mit Groß- und Kleinschreibung (case sensitive) beschränken.
Der Filter kann außerdem invertiert werden, sodass nur die Zeilen angezeigt werden, die nicht dem Suchkriterium entsprechen.
  Wenn ein Filter aktiv ist, wirken sich alle weiteren Bearbeitungsschritte ausschließlich auf die aktuell gefilterten Zeilen aus. Zeilen außerhalb des Filters bleiben davon unberührt.
Facetten
Facetten gehören zu den zentralen Analyse- und Navigationswerkzeugen in OpenRefine.
Sie ermöglichen es, die Werte einer Spalte strukturiert auszuwerten und gleichzeitig als Filter zu verwenden.
Eine Facette erstellt eine Übersicht aller vorkommenden Werte oder Wertbereiche und zeigt an, wie viele Zeilen zu jedem dieser Einträge gehören. Dadurch lassen sich Muster, Ausreißer, Tippfehler oder Inkonsistenzen besonders leicht erkennen.
OpenRefine stellt verschiedene Arten von Facetten zur Verfügung:
Text Facet: listet alle eindeutigen Textwerte einer Spalte auf. Dadurch ist sie ideal für Kategorien, Schlagwörter oder Namen.
Numeric Facet: gruppiert numerische Werte in übersichtliche Intervalle.
Timeline Facet: ermöglicht die zeitliche Analyse, wenn Datumswerte vorliegen.
Scatterplot Facet: erzeugt ein zweidimensionales Diagramm aus zwei numerischen Spalten und zeigt Zusammenhänge, Cluster oder Ausreißer visuell an. Im Diagramm können auch direkt Bereiche zum Anzeigen ausgewählt werden.
Custom Facet: erlaubt eigene Filterlogik mithilfe von GREL-Ausdrücken.
Customized Facets: bieten spezifische bereits implementierte Facet-Optionen, wie Wortfacetten, oder Facetten für leere Werte.
Sie lassen sich über Column Dropdown → 
Facet > aufrufen. Durch auswählen einer Option erscheint ein neues Fenster in der 
Facet \ Filter Übersicht.
Mit 
Reset all können wir alle aktiven Facetten und Filter in den Originalzustand versetzen. 
Mit 
Remove all könne wir alle aktiven Facetten und Filter entfernen.
Neben der Analyse dienen Facetten auch als interaktive Filter:
Durch Anklicken eines Werts oder Intervalls wird nur der entsprechende Teil der Daten angezeigt und kann gezielt weiterbearbeitet werden.
Komplexere Analysen lassen sich durch die Kombination mehrerer Facetten durchführen, wie etwa das gleichzeitige Filtern nach einem bestimmten Schlagwort und einem bestimmten Datumsbereich.
Ein wesentlicher Vorteil von Facetten ist, dass Werte direkt innerhalb der Facette bearbeitet werden können.
Über die Option „Edit“ neben einem Facetteneintrag lassen sich einzelne Werte umbenennen, korrigieren oder zusammenführen (Cluster).
Diese Änderungen wirken sich unmittelbar auf alle Zeilen aus, die diesen Wert enthalten, zum Beispiel, um Tippfehler zu korrigieren oder ähnliche Begriffe zu vereinheitlichen.
Ähnlich wie bei Filter werden weiterführende Bearbeitungsschritte nur auf die derzeit ausgewählten Zeilen angewendet.
Facetten sind somit ein wesentliches Werkzeug, um Datenqualität sichtbar zu machen, Fehlerquellen aufzuspüren, Duplikate zu identifizieren und große Datensets effizient zu strukturieren.
Clustering
Clustering ist eines der wichtigsten Werkzeuge in OpenRefine, um ähnliche oder fehlerhaft geschriebene Werte automatisiert zu erkennen und zu bereinigen. Das Clustering-Menü erreichen wir über Column Dropdown →
Edit cells > Cluster and edit.... Dort öffnet sich ein Dialogfenster, das verschiedene Algorithmen zur Gruppierung ähnlicher Werte anbietet. Besteht bereits eine Facette für eine Spalte, können wir auch einfach über den Button 
Cluster im Facetten-Fenster in das Menü gelangen.
OpenRefine unterstützt mehrere eingebaute Cluster-Methoden, darunter:
Key-Collision-Methoden 
Diese Methoden erzeugen aus jedem Wert einen „Schlüssel“, sodass ähnlich strukturierte Werte denselben Schlüssel erhalten.
Fingerprint: Normalisiert Werte (Kleinschreibung, Entfernen von Sonderzeichen) und sortiert Wörter alphabetisch. Gut für typische Tippfehler.
N-gram Fingerprint: Nutzt n‑Gramme (Buchstabengruppen), um auch weniger offensichtlich ähnliche Wörter zu erkennen.
Cologne Phonetic: Deutsches phonetisches Verfahren, bei dem Wörter nach ihrem Klang gruppiert werden.
Metaphone3: Phonetische Verfahren für englische Wörter und internationale Begriffe.
Daitch-Mokotoff: Phonetisches Matching für slawische und yiddische Begriffe.
Beider-Morse: Komplexes Verfahren für matchen von phonetisch equivalenten Begriffen.
Nearest-Neighbor-Methoden 
Diese Methoden vergleichen Werte direkt anhand von Ähnlichkeitsmetriken:
Levenshtein Distance: Misst Unterschiede zwischen zwei Zeichenketten (Einfügen/Löschen/Ersetzen).
PPM (Prediction by Partial Matching): Modelliert Ähnlichkeiten probabilistisch; gut bei unstrukturierten Textvarianten.
Eigene Clustering-Methoden 
OpenRefine kann um benutzerdefinierte Cluster-Algorithmen erweitert werden. Über Erweiterungen oder eigene Skripte (z. B. in Python oder Java) lassen sich zusätzliche Verfahren integrieren, inbesondere projektspezifische Ähnlichkeitsmetriken oder spezielle Sprachmodelle.
Im Clustering-Dialog können wir:
erkannte Gruppen ähnlicher Werte anschauen
Zielwerte bearbeiten oder vereinheitlichen
Cluster zusammenführen
Änderungen für einzelne oder mehrere Gruppen übernehmen
Dafür können folgende Arbeitsschritte durchgeführt werden:
Über Column Dropdown → 
Edit cells > Cluster and edit... öffnen.
Oben im Dialog eine Cluster-Methode auswählen (z. B. „Fingerprint“ oder „Cologne Phonetic“).
OpenRefine zeigt nun Gruppen ähnlicher Werte an, die potenziell vereinheitlicht werden können.
Für jeden Cluster kann ein neuer Zielwert eingegeben werden (z. B. ein korrekter, vereinheitlichter Begriff).
Mit „Merge Selected & re-cluster“ werden die gewählten Werte zusammengeführt.
Den Vorgang mit anderen Methoden wiederholen, um weitere Varianten zu entdecken.
Clustering eignet sich besonders gut, um Tippfehler, Schreibvarianten, uneinheitliche Bezeichnungen, Groß-/Kleinschreibung oder andere Inkonsistenzen effizient zu korrigieren und Daten für Reconciliation oder Analyse vorzubereiten.
Clustering ist häufig ein iterativer Prozess. Oft sind mehrere Clustering-Durchgänge mit verschiedenen Clustering-Methoden notwendig um alle ähnlichen Worte zu finden und zu vereinheitlichen.
Transformations
Transformationen ermöglichen es, Werte in einer Spalte gezielt anzupassen, umzuwandeln oder neu zu strukturieren.
In OpenRefine stehen dafür zwei zentrale Wege zur Verfügung: die allgemeine Transform-Funktion sowie die vordefinierten Common Transforms.
Transform-Funktion (freie Transformation) 
Wir erreichen die freie Transformationsumgebung unter Column Dropdown → 
Edit cells > Transform.... Hier können wir eigene Ausdrücke in GREL (General Refine Expression Language) verwenden, um Werte flexibel zu bearbeiten. Dadurch ist es möglich Texte umzuwandeln, Zeichen zu extrahieren, Listen zu erzeugen oder Datumsangaben zu normalisieren.
GREL unterstützt zusätzlich Regex (Regular Expressions), mit denen sich komplexe Mustersuchen und Ersetzungen durchführen lassen. Dabei werden aber nicht alle Regex-Funktionen unterstützt und müssen an GREL adaptiert werden. 
 Beispiele für häufige GREL Ausdrücke finden sich hier.
Common Transforms
Unter Column Dropdown → 
Edit cells > Common transforms befinden sich häufig benötigte Standardaktionen.
Dazu gehören zum Beispiel:
Entfernen von überflüssigen Leerzeichen
Text in Groß-/Kleinschreibung umwandeln
Zahlen oder Datumswerte parsen
Sonderzeichen normalisieren
Diese Funktionen lassen sich mit einem Klick auf die gesamte Spalte anwenden und bieten einen schnellen Einstieg in die Datenbereinigung.
Nützliche Hinweise zur Arbeit mit Transformationen 
Transformationen wirken immer auf die ausgewählte Spalte.
Komplexere Anpassungen entstehen häufig durch die Kombination von Common Transforms und GREL-Ausdrücken.
Da GREL Ergebnisse sofort in einer Vorschau zeigt, können Transformationen gefahrlos ausprobiert werden.
Transformationen entfalten ihr volles Potenzial, wenn man einfache Schritte (Trim, Case-Conversion) mit gezielten GREL-Ausdrücken kombiniert. Dadurch lassen sich selbst komplexe Bereinigungsprozesse effizient lösen.
Daten exportieren
Nachdem wir unsere Daten bereinigt und erweitert haben, wollen wir sie für die Weiterverwendung exportieren. Dies können wir über die verschiedenen Optionen im 
Export Menü erledigen.
Originaldaten bleiben unverändert
OpenRefine lädt die Quelldaten als lokale Projektkopie.
Die Originaldateien werden während der Bearbeitung nicht verändert und müssen zur weiteren Verwendung exportiert werden.
Hinweis zur Google‑Sheets‑Unterstützung
Die OpenRefine‑Dokumentation (Stand: Januar 2026) erwähnt eine Google‑Sheets‑Integration.
Diese Unterstützung wurde jedoch seit OpenRefine 3.9 aus Sicherheitsgründen entfernt.
Sie kann über eine Extension wieder aktiviert werden.
Verfügbare Exportziele 
OpenRefine stellt mehrere Dateiformate für den direkten Export bereit (insbesondere tabellarische Formate):
TSV/CSV, HTML, Excel (XLSX), ODF
Zusätzlich kann das OpenRefine‑Projekt selbst exportiert werden (z. B. zur Weitergabe).
Die meisten Exporte berücksichtigen die aktuelle Ansicht, also aktive Facets und Filter. Es werden in der Regel nur die angezeigten Zeilen exportiert.
Custom Tabular Export
Für erweiterte Anforderungen, insbesondere bei reconcilierten Daten, bietet OpenRefine den Custom Tabular‑Export:
Pro Spalte lässt sich wählen, ob Originalwerte, gematchte Werte oder gematchte IDs ausgegeben werden.
Optional können leere Zellen für no‑match erzeugt oder Links zu Entitätsseiten ausgegeben werden.
Wichtig: Diese Einstellungen werden spaltenweise konfiguriert.
Jede relevante Spalte muss separat korrekt eingestellt werden.
Über „Download“ und die „Preview“‑Schaltfläche lässt sich eine Vorschau der ersten Zeilen anzeigen und feinjustieren.
Im Reiter „Option Code“ kann die JSON‑Konfiguration der gewählten Einstellungen kopiert (für spätere Exporte wiederverwendet) oder importiert werden.
Weitere Exportoptionen
SQL‑Export (zum Import in Datenbanken)
Mit der RDF‑Extension sind Exporte als RDF/XML oder Turtle möglich.
Export als JSON (Templating Exporter)
OpenRefine besitzt keine direkte „Export → JSON“‑Funktion.   Stattdessen verwenden wir 
Export > Templating....
Der Templating Exporter bietet maximale Flexibilität:
Zugriff auf Reconciliation‑Felder
Spalten aufteilen/zusammenführen
GREL‑Ausdrücke anwenden (Ausdrücke in doppelten geschweiften Klammern 
{{ ... }} wird als GREL interpretiert, alles außerhalb als Text)
Optional sind auch Jython oder Clojure möglich, z. B.:  
{{jython:return cells['ColumnName'].value}}
Verschiedene Vorlagen für, zum Beispiel, YAML oder geojson finden sich im OpenRefine Github.
Praxis‑Tipp zum JSON‑Templating
Records werden beim Export nicht automatisch als geschachtelte Strukturen ausgegeben.
Komplexe Strukturen (z. B. Arrays mit Bedingungen) erfordern GREL‑Kontrollstrukturen wie 
forEach, 
filter, 
if(...), etc. Für erste Schritte lohnt es sich, die Verschachtelung gering zu halten und Feineinstellungen anschließend in einem externen Editor vorzunehmen.

Reconciliation mit OpenRefine
Für die Erstellung der Beispiele wurde eine adaptierte Version von Metadaten von Kulturpool-Objekten verwendet. Die Inhalte wurden so verändert, dass sie typische Anwendungsfälle und Bearbeitungsschritte in OpenRefine besser veranschaulichen. Sie entsprechen daher nicht den Originaldaten.
Reconciliation ermöglicht es, Dateneinträge mit externen Wissensquellen abzugleichen und anzureichern. Es wird die Reconciliation anhand von existierenden IDs (z.B.: Wikidata QID, GND, AAT, ...) gezeigt, als auch die Reconciliation über Textwerte.
Reconciliation Service hinzufügen
Zugriff auf die Reconciliation-Funktionen erhalten wir über Column Dropdown → 
Reconcile. Das Reconciliation-Menü finden wir dabei unter Column Dropdown → 
Reconcile > Start reconciling.... Dabei öffnet sich nun ein Fenster in welchem wir die Services verwalten können. Standardmäßig ist bereits die englische Version der Wikidata-API konfiguriert. Um einen anderen Service hinzuzufügen wählen wir 
Add standard service.... Dort fügen wir die URL des Service ein um ihn hinzuzufügen. Über 
Discover services... gelangen wir zur Reconciliation service test bench, wo wir nicht nur eine Auswahl an verfügbaren Services finden, sondern auch eine Möglichkeit um APIs zu testen.
Auswahl an Services
Wikidata Deutsch: 
https://wikidata.reconci.link/de/api
GND: 
https://lobid.org/gnd/reconcile oder 
https://reconcile.gnd.network
Getty Vocabularies Reconciliation Service: 
https://services.getty.edu/vocab/reconcile/
Bionomia: 
https://api.bionomia.net/reconcile
GeoNames from FornPunkt: 
https://fornpunkt.se/apis/reconciliation/geonames
Conciliator und RDF Extension
Für manche Reconciliation‑Workflows in OpenRefine reicht ein einzelner externer Dienst nicht aus oder es fehlt eine direkte Schnittstelle. In solchen Fällen kann Conciliator eine hilfreiche Ergänzung sein. Dabei handelt es sich um einen lokal laufenden Reconciliation‑Server, der verschiedene Quellen unterstützt und als flexible Middleware zwischen OpenRefine und externen Datenquellen dient.
Conciliator bietet out‑of‑the‑box Unterstützung für Dienste wie VIAF, ORCID, Open Library sowie für beliebige Apache‑Solr‑Collections. Darüber hinaus stellt das Projekt ein Java‑Framework zur Verfügung, mit dem sich eigene Reconciliation‑Services entwickeln lassen, wenn institutionelle Daten oder Spezialvokabulare angebunden werden sollen.
Der Dienst wird in einem Docker‑Container lokal ausgeführt. Dazu wird das GitHub‑Repository heruntergeladen und der Container entsprechend der Anleitung aufgebaut. Nach dem Start kann ein neuer Reconciliation‑Service in OpenRefine konfiguriert werden, beispielsweise:
VIAF: 
http://localhost:8080/reconcile/viaf
ORCID - Smart Names: 
http://localhost:8080/reconcile/orcid/smartnames
Weitere Informationen zur Installation, zur Nutzung zusätzlicher Services sowie zur Entwicklung eigener Reconciliation‑Endpunkte finden sich im offiziellen Repository
Mit der RDF Extension können wir aber auch SPARQL-Endpoints für die Reconciliation verwenden. Eine Anleitung wie die Reconciliation API für DBpedia konfiguriert werden kann findet man hier.
Reconciliation über Zellenwerte
Das standardmäßige Vorgehen beim Abgleich von Daten mit externen Quellen besteht darin, die vorhandenen Zellenwerte über eine Textsuche mit passenden Einträgen der jeweiligen Datenbank zu matchen. Reconciliation‑Services analysieren dabei den Inhalt einer Zelle, senden diesen als Suchanfrage an eine externe Wissensquelle und bewerten anschließend, welche der zurückgelieferten Treffer am wahrscheinlichsten zu dem Eintrag passen.
Reconciliation mit Wikidata
Ein häufig genutzter Service hierfür ist Wikidata, eine offene, kollaborativ gepflegte Wissensdatenbank, die strukturierte Informationen zu Personen, Orten, Werken, Konzepten und vielen weiteren Entitäten enthält. Durch seine Vielzahl verknüpfter IDs eignet sich Wikidata besonders gut, um Daten aus unterschiedlichen Systemen zusammenzuführen.
Die Reconciliation überschreibt den sichtbaren Zellwert.  
Eine Spaltenkopie erleichtert spätere Vergleiche.
Um eine Spalte mit Wikidata abzugleichen können wir folgende Schritte durchführen:
Column Dropdown → 
Start reconciling....
Wikidata reconci.link (de) wählen.  Falls dieser noch nicht vorhanden ist, über 
Add standard service.. mit dem URL 
https://wikidata.reconci.link/de/api hinzufügen.
Den passenden Wikidata Typ auswählen.
Auto-match candidates with high confidence auswählen.
Mit 
Start reconciling... bestätigen.
Wikidata Typen 
Es wird empfohlen für die Reconciliation mit Wikidata zuerst einen detaillierteren Typen zu wählen und ihn über mehrere Durchgänge an Abgleichen zu erweitern. Es besteht auch die Möglichkeit nach einem bestimmten Typ zu suchen oder gegen keinen bestimmten Typ abzugleichen.
OpenRefine kennzeichnet gematchte Entitäten durch eine dunkelblaue Schriftfarbe und der Option 
Choose new match unterhalb. Wurde für einen Wert noch kein Match ausgewählt erscheint der Wert in schwarz mit einer Liste an möglichen Begriffen. Stimmt einer der Vorschläge überein kann dieser durch klicken auf das Feld mit einem Haken nur auf die jeweilige Zelle angewendet werden. Durch Auswahl der zwei Haken wird das Matching für die gesamte Spalte übernommen.
Generell ist bei der Reconciliation auf potenzielle Namensgleichheit und damit einhergehende False Positives zu achten. False Negatives durch unterschiedliche Schreibweisen und Fehler sind ebenfalls möglich.
Der Wikidata Reconciliation Service ermöglicht es durch überfahren des Begriffs mit der Maus weitere Infos in einem Pop-up Fenster aufscheinen zu lassen.
Stimmt keiner der Vorschläge überein, oder wurden keine potenziellen Kandidaten gefunden, kann über 
Search for match auch nach Kandidaten gesucht werden.
Da Wikidata eine offene und kollaborative Wissensdatenbank ist, besteht hier generell auch die Möglichkeit neue Begriffe hinzuzufügen, falls kein Match für einen relevanten Begriff gefunden wird. Hierfür muss aber zuerst festgestellt werden, dass der Begriff tatsächlich noch nicht existiert um Duplikate zu vermeiden.
Relevante Informationen nutzen
Zusätzlich zur Suche mit Textabgleich können wir auch andere relevante Informationen aus unseren Daten für den Abgleich verwenden. Im Reconciliation Menü besteht dafür die Option Columns als As property zu übergeben.
Wollen wir, zum Beispiel, Künstler mit Wikidata abgleichen und haben zusätzlich zu den Namen auch eine Spalte mit Geburtsdaten, können wir diese Spalte als Property P569 (Geburtsdatum) an Wikidata übergeben.
Mögliche Properties können über das jeweilige 
As property-Feld oder in den jeweiligen Reconciliation Service Dokumentation gefunden werden. In Wikidata ist es hilfreich ähnliche Entitäten auf Wikidata zu suchen und die vorhandenen Properties zu erkunden.
Property Paths 
In Wikidata ist es auch möglich sogenannte 
Property Paths zu übergeben. Sind für die Künstler nur die Geburtsjahre verfügbar können wir diese als 
SPARQL: P569@year übergeben. Dadurch werden die Werte direkt auf die relevante Wikidata Information gematched.
Property Paths können die Dauer einer Reconciliation-Anfrage erheblich verlängern. Daher sollten Property Paths sparsam und nur dann eingesetzt werden, wenn sie für das gewünschte Matching wirklich notwendig sind.
Reconciliation über vorhandene IDs
IDs aus vorhandenen URLs extrahieren
In manchen Daten befinden sich bereits URLs, die auf externe Identifikatoren verweisen (z. B. GND, AAT, VIAF).
Wir wollen daraus zunächst konsistente ID‑Werte extrahieren. Dazu können wir die Transform-Funktion über
Column Dropdown → 
Edit cells > Transform... nutzen.
Haben wir z.B. URLs in der Form 
http://vocab.getty.edu/aat/300264737 können wir mit folgendem GREL Ausdruck, die IDs inklusive jeweiliger Prefixes erhalten.
value.replace(/^.*?(gnd|aat|ulan|tgn|ulan|viaf|wikidata)\/([^\/?#]+).*$/,"$1/$2")
AAT‑IDs können wir nun direkt mit dem Getty Vocabularies Reconciliation Service abgleichen:
Über einen Textfilter „aat“ selektieren
Column Dropdown → Reconcile > Use values as identifiers...
Reconciliation‑Service: Getty Vocabularies Reconciliation Service
Bestätigen mit 
OK
Für GND-IDs müssen wir zuerst das Prefix „gnd/“ entfernen.
Dies kann über Filter + Transformation erfolgen. Danach können wir analog zu den AAT-IDs mit dem GND Reconciliation Service den abgleich durchführen.
Externe IDs mit Wikidata abgleichen
Wikidata bietet die Möglichkeit, eine Vielzahl unterschiedlicher Identifikatoren über einen einzigen Reconciliation‑Service abzugleichen. Dadurch lassen sich Daten aus verschiedenen Quellen miteinander verknüpfen und zu einem zusammenhängenden Netzwerk von Werten verbinden. Dieser Ansatz ermöglicht es, bestehende IDs wie GND, VIAF oder AAT gemeinsam zu nutzen, um präzisere Matches zu erzielen und Datensätze effizient miteinander in Beziehung zu setzen.
Dies funktioniert über sogenannte Wikidata-Properties. Damit können wir Werte gezielt gegen Properties von Wikidata Entitäten abgleichen und somit bessere Ergebnisse erzielen.
Mithilfe von Wikidata-Properties können wir verschiedene IDs gegen einen einzigen Service abgleichen und somit eine bessere Verbindung der Werte herstellen.
Da AAT und GND in Wikidata unterschiedliche Properties nutzen, trennen wir die IDs in eigene Spalten. 
Zuerst erstellen wir eine neue Spalte für die AAT-IDs.
Dies machen wir über Column Dropdown → 
Edit column > Add column based on this column... und folgendem GREL-Ausdruck:
if(value.startsWith("aat/"), value, null)
Anschließend geben wir der Spalte einen passenden neuen Namen.
Da für unsere GND-IDs im vorherigen Schritt das Prefix bereits entfernt wurde können wir nun folgenden Ausdruck verwenden um eine neue Spalte für die GND-IDs zu erstellen:
if(value.contains("/"), "", value)
Um die AAT Propertie in Wikidata verwenden zu können, müssen zuerst der aat/ Prefix vor den IDs entfernt werden.
Dazu verwenden wir eine Transformation und den GREL-Ausdruck:
value.replace("aat/","")
Nachdem die Daten nun entsprechend vorbereitet wurden, kann die Reconciliation mit Wikidata durchgeführt werden:
Column Dropdown → 
Start reconciling...
Wikidata reconci.link (de) wählen.
Den passenden Wikidata Typ auswählen
Auto-match candidates with high confidence auswählen
Zusätzliche Properties übergeben. Dazu wählen können wir in der Spalte 
Also user relevant details from other columns: folgende Properties auswählen:
Column
As property
GND-ID
P227
AAT-ID
P1014
Mit 
Start reconciling... bestätigen.
Nun können wir wie zuvor die Matches und Vorschläge kontrollieren und ergänzen oder ändern.
Reconciliation Values nutzen
Wir führen Abgleiche mit externen Wissensdatenbanken durch um unsere Daten mit zusätzlichen Informationen anzureicheren. OpenRefine bietet dafür verschiedene Möglichkeiten um die Ergebnisse der Reconciliation zu nutzen. Sobald eine Zelle erfolgreich reconciliert wurde, stehen neben dem eigentlichen Wert zusätzliche Informationen zur Verfügung — etwa die eindeutige Identifikationsnummer (Q‑ID bei Wikidata), der bevorzugte Label‑Name, der Matching‑Score oder alternative Kandidaten.
Diese angereicherten Informationen können wir auf unterschiedliche Weise verwenden:
Entitäten‑IDs hinzufügen: Mit Column Dropdown → 
Reconcile > Add entity identifiers column… lässt sich eine neue Spalte mit den IDs der gematchten Entität erzeugen, die sich ideal für Weiterverarbeitung oder Verknüpfungen eignet.
Weitere Eigenschaften abrufen: Über Column Dropdown → 
Edit column > Add columns from reconciled values… können zusätzliche Metadaten (z. B. Geburtsjahr, Standort, Typen, Bezeichnungen) aus der externen Datenquelle in neuen Spalten importiert werden. Dabei kann über 
Add property nach verfügbaren Werten gesucht werden. 
Wurden Werte mit Wikidata reconciliert, können beim Import zusätzlicher Informationen sowohl Property‑IDs (z. B. 
P569 für Geburtsdatum) als auch Property‑Paths verwendet werden, um gezielt bestimmte Bestandteile eines Werts abzurufen (z. B. nur das Jahr mit 
SPARQL: P569@year). Über die jeweiligen Properties können somit auch die IDs von anderen Reconciliation Services bezogen werden. 
Verlinkte Werte, die über Eigenschaften wie z.B. has part(s) (
P527) referenziert sind, werden bei erfolgreicher Reconciliation automatisch mit dem jeweiligen Service verbunden. Solche verknüpften Entitäten können nun wie andere angereicherte Werte behandelt werden, inklusive des Imports ihrer eigenen Eigenschaften (Labels, IDs, zusätzliche Metadaten).
URLs hinzufügen: Über Column Dropdown → 
Reconcile > Add column with URLs of matched entities... kann auch direkt eine Spalte mit den URLs zu den jeweiligen Werten hinzugefügt werden.
Badges und Status nutzen: Reconciliation‑Ergebnisse liefern Informationen darüber, ob ein Wert auto‑gematcht, manuell bestätigt oder noch unentschieden ist. Über Column Dropdown → 
Reconcile > Facets > By judgment lassen sich diese Statuswerte filtern, um fehlende oder zweifelhafte Matches zu korrigieren.
Wichtiger Hinweis zur Performance & Verfügbarkeit von Eigenschaften
Die Leistung (Antwortzeiten, Stabilität) sowie die Verfügbarkeit von Properties/Values hängen ausschließlich vom jeweiligen Reconciliation‑Service ab und nicht von OpenRefine.
Je nach Dienst (z. B. Wikidata, GND, VIAF, Getty) können Umfang der bereitgestellten Eigenschaften, unterstützte Property‑Paths, Drosselungen (Rate Limits) und Wartungsfenster variieren.
Bei langsamen Antworten, fehlenden Properties oder temporären Ausfällen liegt die Ursache in der Regel beim externen Service, nicht in OpenRefine.
Weiters unterscheiden sich die Score‑Werte je nach verwendetem Reconciliation‑Service.
Während bei Wikidata ein Score von 100 einem perfekten Match entspricht, gelten bei Getty bereits Werte ab 40 als sehr gute Übereinstimmung.
Welche Score‑Bereiche genau als „gut“ oder „akzeptabel“ gelten, ist dienstspezifisch und sollte in der jeweiligen Service‑Dokumentation nachgelesen werden.
werden.

LLM Einbindung in OpenRefine
Die LLM‑Extension erweitert OpenRefine um Funktionen, die große Sprachmodelle (LLMs) direkt in Datenbereinigungs- und Anreicherungs‑Workflows integrieren. Typische Einsatzszenarien sind das Extrahieren von Informationen aus Freitext, das Normalisieren uneinheitlicher Schreibweisen oder das Generieren neuer strukturierter Felder.
Installation
Die Installation erfolgt wie in der Einleitung beschrieben.
Repository: https://github.com/sunilnatraj/llm-extension
ZIP herunterladen (vom GitHub‑Release oder Repo).
Inhalt des ZIP‑Archivs in den OpenRefine‑Ordner 
webapp/extensions entpacken.
In diesem Verzeichnis liegen bereits einige mitgelieferte Erweiterungen.
Nach dem Entpacken sollte ein Ordner 
llm-extension vorhanden sein.
OpenRefine starten und ein Projekt öffnen.
Ist die Installation erfolgreich, erscheint in der Menüleiste ein „AI“‑Button neben Extensions.
LLM‑Provider hinzufügen
Eine detaillierte Dokumentation zum hinzufügen von verschiedenen LLM-Providern und eine Erklärungen der möglichen Parameter findet sich in der Github Dokumentation. Wir wollen hier aber die wichtigsten Schritte zusammenfassen:
In OpenRefine den AI‑Button öffnen → Manage LLM Providers.
Hier sieht man die vorhandenen Modelle sowie Links zu Setup Guide und Feature Guide.
Add LLM Provider auswählen und die Felder ausfüllen:
Label: interne Bezeichnung für das Modell.
Endpoint‑URL: 
/chat/completions‑kompatibel (siehe Provider‑Guide, falls kein direkter Endpoint vorliegt).
Model name: z. B. 
gpt‑…, 
claude‑…, 
llama‑… etc.
API Key: je nach Anbieter (Erstellung siehe jeweilige Provider‑/Anbieter‑Dokumentation).
Parameter:
Temperature & Top‑P (steuern Kreativität/Determinismus).
Seed (optional, für reproduzierbare Ergebnisse).
Max Tokens und Rate‑Limit‑Wartezeit (zur Steuerung von Kosten/Last).
Test service:
Ein kurzer Test ist möglich. Auch wenn gelegentlich eine Fehlermeldung erscheint, kann die Modellnutzung im eigentlichen Datenworkflow dennoch funktionieren.
Save – der Provider steht nun in der Extension zur Verfügung.
Bei der Option 
Test service im LLM Provider Menü kommt es regelmäßig zu Fehlermeldungen. Diese sind auch möglich wenn der Service korrekt konfiguriert wurde. Um ein sachgemäßes Arbeiten des Models zu testen, sollte daher direkt eine Anwendung auf den Daten durchgeführt werden.
KI‑gestützte Extraktion/Transformation anwenden
Neue Prompts anwenden
Zum Anwendungsdialog für die AI-Extension gelangen wir über Column Dropdown → 
Extract using AI. Auch wenn der Name der Funktion darauf hindeutet, dass hier nur Daten mithilfe von KI-Anwendungen extrahiert werden können, ist die tatsächliche Funktionalität durch den jeweiligen Prompt gegeben.
Im Dialog kann konfiguriert werden:
Column:
Update existing (in dieselbe Spalte schreiben) oder
Create new (eine neue Ergebnis‑Spalte erzeugen).
LLM Provider: zuvor eingerichteten Dienst auswählen.
Response format: in vielen Fällen Text (weitere Formate je nach Extension‑Stand).
Prompt: klare Anweisung, Eingabeformat und gewünschtes Ausgabeformat definieren.
Beispiel‑Prompt (Namen normalisieren):
I will show you names in different formats. Normalize each to "GivenName Surname".
Return only "GivenName Surname". If the cell is empty, return an empty string.
Im Reiter Preview kann mit der Auswahl 
Generate Preview eine Vorschau des Ergebnisses des Prompts auf den ersten Wert in der Spalte erstellt werden. Anhand des Verhaltens hier kann der Prompt anschließend weiter bearbeitet werden.
Prompts werden pro Zelle als separate Anfrage ausgeführt.
Das bedeutet: Werte/Zellen können nicht innerhalb einer einzelnen AI‑Abfrage miteinander verknüpft oder über mehrere Zeilen/Spalten hinweg gemeinsam verarbeitet werden.
Typische Anwendungsfälle:
Uneinheitliche Namensformate harmonisieren (z. B. „Surname, GivenName“ → „GivenName Surname“).
Geburts-/Todesjahr (und ggf. -ort) aus biografischem Freitext extrahieren.
Kurze Kategorisierung/Tagging aus Beschreibungen erzeugen.
Adressen/Orte vornormalisieren (mit klaren Felddefinitionen im Prompt).
Best Practice: Stellen Sie sicher, dass der Prompt eindeutig das gewünschte Ziel‑Schema beschreibt (Feldreihenfolge, Trennzeichen, erlaubte/unerlaubte Werte), um konsistente Ergebnisse zu erhalten.
Prompts wiederverwenden
Im Anwendungsdialog unter Column Dropdown → 
Extract using AI befinden sich auch die Reiter History und Starred.
History: bietet eine Übersicht über all bereits verwendeten Prompts mit Beschreibungen zu den jeweiligen Konfigurationen. Hier können Prompts nun entweder als Favoriten mit Stern gekennzeichnet werden oder direkt wieder geladen werden.
Starred: zeigt die Übersicht an Prompts welche im Reiter History mit einem Stern als Favoriten gekennzeichnet wurden. Gekennzeichnete Prompts können entfernt oder direkt geladen werden.
Tipps und weitere Informationen
Prompt‑Tipps
Explizit sein: gewünschtes Format, Beispiele, leere Fälle definieren.
Determinismus: Temperature niedrig (z. B. 0.0–0.2) für reproduzierbare, regelnahe Outputs.
Validierung: Antwort auf ein Feld oder ein JSON‑Snippet begrenzen (wenn unterstützt).
Kleine Batches: erst an Teilmengen testen, dann auf den gesamten Datensatz anwenden.
Fehlerbilder & Troubleshooting
„Test service“ meldet Fehler, aber Batch läuft: Test ist nicht immer repräsentativ; maßgeblich ist das Verhalten beim tatsächlichen Spaltenlauf.
Uneinheitliche Outputs: Prompt präzisieren (Ausgabeformat strikt festlegen), Temperature senken, Beispiele beifügen.
Leere Antworten: Edge‑Cases im Prompt definieren (z. B. „If input is empty, return empty string“).
Zeitüberschreitungen: Max Tokens reduzieren, Batches verkleinern, Wartezeit erhöhen.
Qualitätssicherung & Wiederholbarkeit
Vorher/Nachher: Bei zerstörungsfreier Arbeit neue Spalten erstellen (nicht „Update existing“), um Vergleiche zu ermöglichen.
Facets: Nach einem AI‑Durchlauf Text Facets nutzen, um Ausreißer schnell zu erkennen.
Undo/Redo: OpenRefine speichert jeden Schritt; misslungene Läufe können rückgängig gemacht werden.
Rate Limits & Kosten: Große Datensätze in Batches verarbeiten; Pausen konfigurieren (Provider‑Einstellungen).
Tipp: Mit 20–50 Zeilen starten, Format & Qualität verifizieren, Prompt/Parameter anpassen und erst dann auf den gesamten Datensatz skalieren.
Datenschutz & Governance 
Wichtig: Inhalt, Kosten und Datenschutz hängen vom jeweiligen LLM‑Provider ab und nicht von OpenRefine. Prüfen Sie Datenklassifizierung, Nutzungsbedingungen, Logging und Speicherorte der Anbieter. Für sensible Daten ggf. on‑prem bzw. Self‑Hosted‑Modelle oder lokal betriebene Gateways verwenden.

Externe Resourcen für OpenRefine
Durch eine aktive Community rund um OpenRefine gibt es zahlreiche externe Lern- und Wissensresourcen.
Für die Erstellung dieses Artikels verwendete Resourcen wurden mit ( * ) gekennzeichnet. Alle verlinkten Resourcen waren verfügbar mit Stand 23.03.2026. 
In der OpenRefine Recommendation List findet sich auch noch eine Auswahl an weiteren Resourcen.
Handbücher, Tutorials und Wissensresourcen
OpenRefine User Manual: https://openrefine.org/docs *
FDMLAb Workshops: https://fdmlab.landesarchiv-bw.de/workshops/ *
Getty Vocabularies OpenRefine Reconciliation: https://www.getty.edu/research/tools/vocabularies/obtain/openrefine.html *
British Library Introduction to OpenRefine by Owen Stephens: https://drive.google.com/drive/folders/11I29TjBgyWzNDGMnFjT01stCl_VJaY0C *
OpenRefine Workshop Hebrew University - Yael Gretzer: https://docs.google.com/presentation/d/1dYjfMO3ACoepD59H8bL2qm8CFvhJfszAM8cZAr0Y7dc/edit?slide=id.p#slide=id.p
OpenRefine - Data Science Training for Librarians - Tom Morris: https://www.slideshare.net/slideshow/openrefine-data-science-training-for-librarians/18151288#1 *
Named Entity Recognition mit OpenRefine und spaCy: https://fdmlab.landesarchiv-bw.de/post/2021-08-ner-mit-openrefine-und-spacy/
Gemeinsam an OpenRefine-Projekten arbeiten: https://fdmlab.landesarchiv-bw.de/post/2021-12-gemeinsam-an-openrefine-projekten-arbeiten/
Library Carpentry: OpenRefine: https://librarycarpentry.github.io/lc-open-refine/ *
Data Wrangling and Cleaning with LLMs and OpenRefine: https://www.eosc.cz/media/3854440/letni_skola-christian_steiner-prezentace.pdf
Essential Spreadsheet Data Cleaning with OpenRefine: https://libguides.galter.northwestern.edu/c.php?g=1075027&p=7829462
Turning flat data into semantic data with Open Refine and the RDF extension: https://networkedplanet.com/blog/2015/07/13/turning-flat-data-into-semantic-data-with-open-refine-and-the-rdf-extension.html
Reconciliation in OpenRefine: Part 1 [Video]: https://www.youtube.com/watch?v=q8ffvdeyuNQ *
Reconciliation in OpenRefine: Part 2 [Video]: https://www.youtube.com/watch?v=0tQPmfb6IFk *
Reconciling Metadata with OpenRefine [Video]: https://www.youtube.com/watch?v=zWUdwN6s0ZU *
OpenRefine YouTube Channel: https://www.youtube.com/@OpenRefineProject
Extension und andere Erweiterungen
OpenRefine Extension Overview: https://openrefine.org/extensions *
Conciliator: https://github.com/codeforkjeff/conciliator *
PyRefine: https://github.com/jezcope/pyrefine
LLM Extension: https://github.com/sunilnatraj/llm-extension *
RDF Extension: https://github.com/AtesComp/rdf-transform
Weiterführende Resourcen
Reconciliation Service Test Bench: https://reconciliation-api.github.io/testbench/0.2/#/
Useful OpenRefine GREL functions - Yael Gretzer: https://docs.google.com/document/d/1sLklZKeWxD6AbyLQz7d4o7JLyfxEMkTjgPd5OVS9jSk/edit?tab=t.0#heading=h.ielr0i6hygmb
OpenRefine GREL Recipes: https://github.com/OpenRefine/OpenRefine/wiki/Recipes
Wikidata for authority control: sharing museum knowledge with the world - Alicia Fagerving: https://journals.uio.no/dhnbpub/article/view/10665
OpenRefine Wikibase Scoring mechanism: https://openrefine-wikibase.readthedocs.io/en/latest/scoring.html
OpenRefine Forum with Helpdesk: https://forum.openrefine.org/
OpenRefine Wiki FAQ: https://github.com/OpenRefine/OpenRefine/wiki/FAQ
OpenRefine Recommendation List - External Resources: https://github.com/OpenRefine/OpenRefine/wiki/External-Resources *