Úvod do značkovacích jazyků, základní pojmy, logická a fyzická struktura dokumentu Obsah Úvod do XML ............................................................................................................2 Co je XML?.......................................................................................................................2 Deset zásad pro specifikaci XML standardů .............................................................................2 Charakteristika XML jazyků .................................................................................................3 Aktuální specifikace (standardy) ............................................................................................3 Aktivity W3C.....................................................................................................................4 Informační zdroje k XML .............................................................................................4 Základní tutoriály a články....................................................................................................4 Portály k XML ...................................................................................................................5 Elektronické konference, news, maillisty k XML ......................................................................5 XML software ....................................................................................................................5 Další odkazy k XML ...........................................................................................................5 Zdroje k XML na FI ....................................................................................................6 Předměty - podzimní semestr.................................................................................................6 Předměty - jarní semestr.......................................................................................................6 Software............................................................................................................................6 Struktura XML dokumentů ...........................................................................................7 Syntaxe XML dokumentů.....................................................................................................7 Struktura XML dokumentu ...................................................................................................7 Fyzická a logická struktura....................................................................................................7 Prvky logické struktury ........................................................................................................8 Elementy ...........................................................................................................................8 Elementy - prázdné..............................................................................................................8 Atributy ............................................................................................................................9 Atributy - zápis...................................................................................................................9 Atributy - příklad ................................................................................................................9 Textové uzly ....................................................................................................................10 Instrukce pro zpracování.....................................................................................................10 Notace ............................................................................................................................10 Komentáře .......................................................................................................................10 Entity..............................................................................................................................11 Uzel dokumentu................................................................................................................11 Podrobněji........................................................................................................................11 Znaky v XML dokumentech........................................................................................11 Znaky v XML dokumentech................................................................................................11 Standardy Unicode, ISO 10646............................................................................................12 1 Úvod do značkovacích jazyků, základní pojmy, logická a fyzická struktura Kódování Unicode ............................................................................................................12 Přípustné znaky ................................................................................................................12 Úvod do XML Co je XML? • XML je standard (přesněji doporučení konsorcia W3C [http://www.w3.org]) jak vytvářet značkovací jazyky. • Jedná se tedy o metajazyk. • Ideově vychází ze staršího standardu SGML (Structure Generalized Markup Language) - XML lze jej téměř chápat jako podmnožinu SGML. Se základním standardem úzce souvisí několik dalších, např. XML Namespaces, Xlnclude, XML Base, XML Infoset. • Tyto spolu s dalšími standardy (XSLT, XSL-FO, XHTML, CSS...) tvoří "rodinu" standardů XML. Deset zásad pro specifikaci XML standardů vyňato z preambule ke specifikaci XML 1.0 (Third Edition) 1. XML shall be straightforwardly usable over the Internet. XML bude přímočaře použitelné na Internetu. 2. XML shall support a wide variety of applications. XML bude podporovat širokou škálu aplikací. 3. XML shall be compatible with SGML. XML bude kompatibilní se SGML. 4. It shall be easy to write programs which process XML documents. Tvorba programů zpracovávajících XML bude jednoduchá. 5. The number of optional features in XML is to be kept to the absolute minimum, ideally zero. Počet volitelných prvků XML standardu bude málo, optimálně 0. 6. XML documents should be human-legible and reasonably clear. XML dokumenty by měly být "lidsky" čitelné a rozumně jednoduché. 7. The XML design should be prepared quickly. 2 dokumentu Návrh XML standardu by měl být rychle hotov. 8. The design of XML shall be formal and concise. Návrh XML musí byt formální a správný. 9. XML documents shall be easy to create. XML dokumenty bude možné snadno vytvořit. 10. Terseness in XML literal is of minimal importance. Úspornost XML značkování není podstatná. Charakteristika XML jazyků • XML není jeden konkrétní značkovací jazyk; je to specifikace určující, jak mají vypadat značkovací jazyky • jedná se tedy o "metajazyk" • konceptuálne jde o zjednodušení SGML standardu, aby se usnadnila práce tvůrcům parserů (analyzátorů) a aplikací - například v tom, že každý element musí být uzavřen; pak na přečtení struktury dokumentu nemusíme mít DTD • XML navazuje na úspěšnou implementaci SGML -jazyk HTML; má podobné charakteristiky z hlediska zaměření na internet Vážné diskuse se vedou okolo binárního XML, což by měla být rovnocenná reprezentace stejného modelu, jako má "textové" XML. Aktuální specifikace (standardy) • Momentálně je aktuální specifikací [http://www.w3.org/TR/REC-xml] Extensible Markup Language (XML) 1.0 (Third Edition) W3C Recommendation 4th February 2004, Francois Yergeau, Tim Bray, Jean Paoli, C. M. Sperberg-McQueen, Eve Maler Jako modernější "úprava" existuje XML 1.1, nyní již jako W3C Recommendation. • Změny se týkají upřesnění použití Unicode - specifikace nezávisí na konkrétní pevné verzi Unicode, ale vždy na aktuální. • Producentům dokumentů se doporučuje používat XML 1.0, parsery by měly "rozumět" i verzi 1.1. 3 Úvod do značkovacích jazyků, základní pojmy, logická a fyzická struktura Aktivity W3C XML Coordination Group XML Core Working Group XSL Working Group Efficient XML Interchange Working Group XML Processing Model Working Group XML Linking Working Group XML Query Working Group XML Schema Working Group pracovní skupina zprostředkující jakési "rozhraní" mezi jednotlivými skupinami aktivity XML a také navenek vývoj hlavní specifikace {XML) a blízce souvisejících {Namespaces in XML, XML Information Set, XLnclude) vývoj specifikací Extensible Stylesheet Language (XSL), zahrnující jak XSL Transformations (XSLT), tak XSL Formatting Objects (XSL/FO). Od zač. 2003 přesunuto pod W3C Architecture Domain. vývoj standardů k efektivní výměně XML dat s důrazem na plat-formovou přenositelnost a nezávislost na jednotlivých výrobcích (součástí je např. XML Binary Characterization) pracuje na definici skriptovacího jazyka pro XML, na specifikaci operací nad XML daty dnes již nefungující skupina pracovala na vývoji XML Linking Language (XLink) aXML Pointer Language (XPointer). pracuje na návrhu XML Query Language {XQuery a XPath - společně s XSL Working Group) Připravuje specifikace W3CXML Schema k popisu struktury, obsahu, příp. sémantiky XML dokumentů. Informační zdroje k XML Základní tutoriály a články (výborný úvodní) Koskův seriál o XML http://kosek.cz/clanky/swn-xml/index.html Seriál o XML na ŽIVĚ [http://zive.cz] (obsahuje hodně příkladů) Zvon http://www.zvon.org/xxl/XMLTutorial/General/book_en.html pro Softwarové noviny: XML Tutorial: Tutoriál ke XML na W3 Schools [http://www.w3schools.com/xml/default.asp] Microsoft XML Tutorial: http://msdn.niicrosoft.com/xml/tutorial/ 101 XML Tutorials: http://www.xmll01.com/xml/default.asp XML Tutoriály naBeginners.co.uk [http://ttitorials.beginners.co.uk] 4 dokumentu • Tutoriály naDeveloperlife.com: http://developerlife.com Portály k XML World Wide Web Consortium http://www.w3.org/ (W3C) XML Startkabel http://xml.startkabel.nl - aktuality, odkazy (v angličtině/nizo- zemštině - obnovováno cca Ix týdně) Zvon http://zvon.org - asi nejlepší soubor tutoriálů, on-line referencí v mnoha jazycích, místo je hostované v ČR XML Cover Pages xml.coverpages.org [http://xml.coverpages.org] - denně aktualizo- vaný soubor odkazů na články, publikace standardů, software, atd. v oblasti XML. Nejlepší zdroj v této kategorii. O'Reilly XML.COM http://xml.com - články, tutoriály atd. na vysoké technické úrovni IBM DeveloperWorks, sekce XML http://ibm.com/developer/xml [http://ibm.com/developer/xml/] - články, tutoriály, software atd. na vysoké technické úrovni Elektronické konference, news, maillisty k XML XML USENET newsgroup news:comp.text.xml XML-DEV mailto:xml-dev@xml.org - nejznámější maillist ke XML standardům (webový archív [http://lists.xml.org/archives/xml-dev/]) XML software IBM AlphaWorks: http://www.alphaworks.ibm.com - alpha-software fy IBM k volnému vyzkoušení Free XML Software (L. M. Garshol): http://www.garshol.priv.no/download/xmltools/ - asi nejlepší kolekce odkazů na nekomerční XML software XMLSoftware: http://xmlsoftware.com - asi nejlepší kolekce odkazů na obecný XML software (i komerční) Další odkazy k XML • Přehled XML aktivit W3C: http://www.w3.org/XML/Activity - specifikace standardů, konference, odkazy na SW, referenční nástroje, odkazy (obnovováno podle potřeby) 5 Úvod do značkovacích jazyků, základní pojmy, logická a fyzická struktura What is XML? na XML.COM: http://www.xml.eom/pub/a/98/10/guide0.html - jeden z úvodních článků ke XML • XML: XML Quick Syntax Reference Card [http://www.mulberrytech.com] - výborná stručná referenční karta • výborná komentovaná verze téhož na XML.COM (Annotated XML): http://www.xml.eom/pub/a/axml/axmlintro.html Zdroje k XML na Fl Předměty - podzimní semestr PA165 Vývoj programových systémů v jazyce Java - T. Pitner, P. Adámek, J. Pavlovic a další PB029 Elektronická příprava dokumentů - P. Sojka PV110 Softwarové elektronické publikace I - P. Sojka PV173 Seminář Laboratoře zpracování přirozeného jazyka Předměty - jarní semestr IB047 Úvod do korpusové lingvistiky a počítačové lexikografie - K. Pala, P. Rychlý PA105 Technologie informačních systémů II - J. Král PA154 Nástroje pro korpusy - P. Rychlý PA156 Dialogové systémy -1. Kopeček PV174 Laboratoř elektronických a multimediálních aplikací - P. Sojka PV030 Textové informační systémy - P. Sojka PV113 Softwarové elektronické publikace II - P. Sojka Software Balík XSLT2 (Jan Pavlovic) Návod k modulu xslt2 [http://www.fi.muni.cz/~xpavlov/xml/index.html] 6 dokumentu Struktura XML dokumentů Syntaxe XML dokumentů Základním požadavkem kladeným na každý XML dokument je, že musí být dobře utvořen (well-formed). Toto nastane, právě když: 1. Obsahuje prolog (hlavičku) a právě jeden, tzv. kořenový element. Dále může před a po kořenovém elementu obsahovat instrukce pro zpracování, komentáře atd. (Mi s c) 2. It meets all the well-formedness constraints given in the specification. Musí vyhovovat všem pravidlům pro správné utvoření uvedeným ve specifikaci. 3. Each of the parsed entities which is referenced directly or indirectly within the document is well-formed. Totéž platí pro každou analyzovanou (parsovanou) entitu přímo nebo nepřímo odkazovanou v dokumentu. Podívejte se na tutoriál základů XML v češtině [http ://zvon. org/xxl/XMLTutorial/General_cze/book. html] Rejstřík (glossary) pojmů ke XML [http://zvon.org/index.php?nav_id=173] Struktura XML dokumentu U XML dokumentů rozlišujeme strukturu fyzickou a logickou. • Aplikační programátory zajímá většinou jen struktura logická, • autory obsahu, XML editorů, procesorů, atd. může zajímat i struktura^yz/c/rá. Fyzická a logická struktura Struktura logická dokument členíme na elementy (jedné z nich je kořenový - root), jejich atri- buty, textové uzly v elementech, instrukce pro zpracování, notace, komentáře Struktura fyzická jeden logický dokument může být uložen ve více fyzických jednotkách - en- 7 Úvod do značkovacích jazyku, základní pojmy, logická a fyzická struktura titách; vždy alespoň v jedné - tzv. entitě dokumentu - document entity. Prvky logické struktury • uzel (element, atribut, textový uzel, instrukce pro zpracování, komentář) element • atribut textový uzel • instrukce pro zpracování komentář Dále viz např. Koskův seriál o XML na http://kosek.cz/clanky/swn-xml/index.html Elementy Jsou objekty ohraničené počáteční a koncovou značkou - start and end tag, např.: tag content Příklad 1. Příklad elementu s obsahem (neprázdného) textový uzel - obsah elementu hl

textový uzel - obsah elementu p

Elementy - prázdné Je-li obsah prázdný (žádné dceřinné elementy ani textový obsah), pak píšeme pouze značku prázdného elementu - empty element tag, např.: Příklad 2. Příklad elementu bez obsahu (prázdného) dokumentu
Z hlediska logického je ekvivalentním zápisem Příklad 3. Příklad elementu bez obsahu - obě značky
Atributy • Nesou "dodatečné informace" k elementu - např. jeho ID, požadované formátování - styl, odkazy na další elementy... • Konceptuálne by bylo možné atributy nahradit elementy, ale z důvodu přehlednosti obvykle používáme obojí. • Obsah atributu na rozdíl od obsahu elementu není nijak (na úrovni obecných zásad XML standardů) dále strukturován. Občas se u některých značkování vyskytne snaha o strukturaci obsahu atributů, to však obecně vede k více problémům, než řeší... • Rovněž fyzické pořadí zápisu více atributů v jednom elementu nemá na logický model vliv. Atributy - zápis • Atribut je tvoienjménem a hodnotou. • Atributy zapisujeme do počáteční značky elementu (který může být i prázdný). • Hodnota je vždy vložena v uvozovkách či apostrofech a od jména ji dělí znak rovnítka (=). • Pro názvy atributů platí stejná omezení jako pro názvy elementů. • V rámci jednoho elementu nejsou přípustné dva atributy se stejným jménem. Atributy - příklad Příklad 4. Atribut 'width' v prázdném elementu
9 Úvod do značkovacích jazyků, základní pojmy, logická a fyzická struktura Příklad 5. Atribut 'border' v neprázdném elementu
jednadve trictyri
Textové uzly Nesou textovou informaci. Např. v následující ukázce je text ahoj ! (nikoli celý element em!) textovým uzlem: ahoj! Instrukce pro zpracování Instrukce pro zpracování (processing-instruction) píšeme do značek Informují aplikaci o postupu či nastavení nutném pro zpracování daných XML dat. Nepopisují (nepředstavují) obsah, ale zpracování dokumentu. Poznámka href v příkladu neznamená atribut; atributy nejsou u instrukce pro zpracování možné! Notace Notace (notation) píšeme do značek Slouží zejména k popisu binárních (non-XML) entit - např. obrázků GIF, PNG,... Jde vlastně o deklaraci způsobu zpracování. Komentáře Podobně j ako v HTML - komentář (comment) píšeme do značek Obsahem komentáře je text komentáře, nikoli celý komentář i se značkami Komentář nebývá obvykle pro zpracování významný, ale záleží na aplikaci - může např. uchovávat 10 dokumentu značky Servlet-side Includes (SSI) Parsery by proto měly komentáře zpracovávat - předávat dále. Např. SAX parsery však tak nečiní!!! (resp. činí až v rozšířené verzi SAX2, v Jávě balík org . xml. sax . ext). Entity Entita je základní jednotkou fyzické stavby dokumentu. Odpovídá řetězci, souboru... Parsery by měly entity zpracovávat tak, aby aplikace nemusela o entitách "nic tušit". Uzel dokumentu Rozlišujeme: Uzel dokumentu (Document Node) nadřazený kořenovému elementu • může kromě něj obsahovat též komentáře, instrukce pro zpracování, notaci DOCTYPE atd. a Kořenový element (Root Element) je nutnou součástí XML souboru. V každém souboru je právě jeden kořenové element. Podrobněji... Podrobné informace k syntaxi se dozvíme v následující kapitole Standardy rodiny XML [. ./standards/index.html] Znaky v XML dokumentech Znaky v XML dokumentech Specifikace povoluje na určitých místech v XML dokumentech (např. název elementu, obsah atributu...) jen některé znaky. Vzhledem k internacionalizaci a nutnosti zvládnout i exotické jazyky je třeba znát, co se čím myslí. Musíme rozlišovat: • znakové sady (množiny znaků s pořadovými čísly), tj. přiřazení ordinální hodnoty znaku (např. Unicode) a • kódování znaků (z dané sady), např. UTF-8, tj. ordinální hodnota znaku se kóduje do posloupnosti bajtů 11 Úvod do značkovacích jazyků, základní pojmy, logická a fyzická struktura Standardy Unicode, ISO 10646 Oba standardy se zabývají podobnými problémy: řeší znakové sady s více než 256 znaky. • Původní návrh tzv. lóbitového Unicode: až 64 K znaků, stačí pro evropské, nestačí pro světové jazyky (např. dnes frekventovaná čínština). 32bitový Unicode: pokrývá znaky už "na věky". V současnosti se z 32bitové škály většinou používá jen tzv. Basic Multilingual Plane (BMP) pokrývající většinu jazyků. V XML je možné pro názvy (nonterminal kvalifikovaná jména - QName) použít znaky z BMP. Jinak lze v XML dokumentech používat všechny znaky Unicode. Kódování Unicode Všechny aplikace XML (zejména aplikace univerzální, parsery) musejí být schopny zpracovat znaky Unicode bez ohledu na kódování. Přesto je dobré znát nejběžnější kódování: • osmibitová, tradiční: US-ASCII, ISO-8859-2 (ISO Latin 2), Windows-1250 (=Cpl250) - kódování jen vybrané podmnožiny Unicode. • UTF-8: kódování všech znaků Unicode, každý znak na 1-6 bajtech, US-ASCII na jednom bajtu, "čeština" na dvou. • UTF-16: princip stejný jako UTF-8, ale základní ukládací jednotkou je dvoubajtové slovo (16 bitů) • UCS-2: přímé kódování Unicode, čísla znaků z BMP se zapíší přímo jako dva bajty • UCS-4: dtto, ale pro celý Unicode a na 4 bajtech - neúsporné, 4 bajty i pro US-ASCII, evropské jazyky... Pro XML mají klíčový význam UTF kódování, zejména UTF-8 (ale parsery musejí umět obě). Přípustné znaky Přípustné jsou jakékoli UNICODE znaky po xlOFFFF (kromě xFFFE, xFFFF a rozmezí xD800 -xDFFF). • jména {names) musí být složena ze nemezerovych znaků: číslice, písmena, . (tečka) - (pomlčka, minus) _ (podtržítko) : a dalších, musí začínat písmenem nebo _ : 12 dokumentu • Kódovaní těchto UNICODE znaků není podstatné. • Jako implicitní - není-li v prologu (hlavičce), např. uvedeno jinak - se používá UTF-8 nebo UTF-16. • Rozlišení UTF-8 a UTF-16 se děje pomocí prvních dvou bajtů dokumentové entity (tj. souboru), pomocí tzv. byte-order-mark xFFFE Není-li uvedena, předpokládá se UTF-8, čili UTF-8 je implicitní kódování UNICODE znaků v XML dokumentech. Teoreticky by tedy bylo možné z obsahu souboru rozpoznat přesně, o jaké kódování se u XML dokumentu jedná... 13