Obsah
-
Formální (počítačové) jazyky, které umožňují v dokumentech používat vedle běžného textu v jazycích přirozených také syntakticky odlišitelné konstrukty (značky) určující strukturu textu, význam jeho částí atd. a rovněž dovolují s textem uchovávat jeho metadata (údaje o vzniku, obsahu, autorství, datování, právech použití...).
-
Mezi známé značkovací jazyky (markup languages) patří jazyky pro web (HTML
,
XML,...), ale i další, jako formáty sázecího
systému TeX, formátovací jazyky nástrojů
nroff, troff. Rovněž jazyky
pro popis stránek pro tisk a prezentace jako
PostScript nebo PDF mají
podobný charakter (text + značky/příkazy). -
Odlišující charakteristikou oproti jazykům programovacím je převaha textu nad ostatním (řídicím, deklarativním) obsahem, proto se soubory označují často jako dokumenty.
-
Ona převaha textu ale nemusí být v konkrétní specifické aplikaci pravda - např. XML se používá jako formát podnikové výměny (databázových, tabulkových) dat, kde je pak více značkování než textu a tento má charakter textově zaznamenaných dat jiných typů (číslo, datum, logické hodnota).
Používají se tři hlavní kategorie značkovacích jazyků dle povahy a způsobu interpretace:
- Prezentační (presentational)
-
značkování obvykle charakterizuje binární obsah vložený do textu. Např. klasické (starší) formáty textových editorů.
- Procedurální (procedural)
-
značkování určující, jak má procesor (zpracovávající aplikace) s textem nakládat. Obvykle jde o sled instrukcí, které se s úseky textu mají provést. Tento sled je sekvenčně zpracováván, bývají k dispozici obvyklé konstrukty programovacích jazyků (větvení, cykly, podprogramy, proměnné). Př.: TeX, PostScript.
- Popisné (descriptive)
-
zde značky deklarativně vymezují strukturu dokumentu a význam jeho částí a neříkají přesně, jaký krok se má při zpracování provést - to obvykle vědí až aplikace. Př.: HTML
První systémy na počítačové zpracování textů trpěly tím, že cílová tisková zařízení byla různá a tím i jejich "programování".
-
Proto byl vyvinut standard GenCode
(autor
William W. Tunnicliffe), který umožňoval obecně (genericky) tiskový
výstup v textu popsat (tedy text označkovat) a speciální překladač
výstup přizpůsobil pro konkrétní zařízení. -
Za "skutečného otce" značkovacích jazyků je častěji považován Charles Goldfarb z IBM, jenž začátkem let sedmdesátých vyvinul jazyk IBM GML.
-
Na základě obou těchto jazyků vznikl později SGML
(Standard
Generalized Markup Language), který ve skutečnosti není
(jedním) jazykem, ale metajazykem, tzn.
standardem, jak definovat jazyky. -
Po trochu jiné koleji šel značkovací jazyk TeX
(Donald Knuth, 70. a 80. léta) popisující,
jak má sázecí systém umísťovat text v tištěném dokumentu. Často se
používá jeho rozšíření systémem maker LaTeX
(Leslie Lamport), které mu přidává deskriptivní/deklarativní
charakter (např. vyznačuje logickou struktura dokumentu).
První skutečně rozšířeným a poměrně široce aplikovaným (v tehdejších měřítkách, samozřejmě nesrovnatelných s dnešní popularitou XML...) byl SGML.
-
Vyvinul se modernizací z GML, pak následovala formalizace a pozdější přijetí jako ISO standard.
-
Jedná se o metajazyk, tzn. pravidla pro konstrukci konkrétních značkovacích jazyků, instancí SGML.
-
Jazyky konstruované dle pravidel SGML byly vhodné pro ruční pořizování - značkování nebylo tolik jako v pozdějším XML. Byla však vyžadována existence a připojení DTD, čili popisu značkování ke každému dokumentu.
-
SGML se později, koncem 90. let, stal východiskem pro formulaci XML jako snadněji strojově zpracovatelného formátu, který nutně nevyžaduje popis struktury dokumentu u každého souboru.
-
XML je standard (přesněji doporučení konsorcia W3C) 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, XInclude, XML Base, XML Infoset.
-
Tyto spolu s dalšími standardy (XSLT, XSL-FO, XHTML, CSS...) tvoří "rodinu" standardů XML.
vyňato z preambule ke specifikaci XML 1.0 (Third Edition)
-
XML shall be straightforwardly usable over the Internet.
XML bude přímočaře použitelné na Internetu.
-
XML shall support a wide variety of applications.
XML bude podporovat širokou škálu aplikací.
-
XML shall be compatible with SGML.
XML bude kompatibilní se SGML.
-
It shall be easy to write programs which process XML documents.
Tvorba programů zpracovávajících XML bude jednoduchá.
-
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.
-
XML documents should be human-legible and reasonably clear.
XML dokumenty by měly být "lidsky" čitelné a rozumně jednoduché.
-
The XML design should be prepared quickly.
Návrh XML standardu by měl být rychle hotov.
-
The design of XML shall be formal and concise.
Návrh XML musí byt formální a správný.
-
XML documents shall be easy to create.
XML dokumenty bude možné snadno vytvořit.
-
Terseness in XML literal is of minimal importance.
Úspornost XML značkování není podstatná.
-
XML není jeden konkrétní značkovací jazyk; je to specifikace určující, jak mají vypadat značkovací jazyky
-
jedná se tedy o "metajazyk";
-
konceptuálně 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 rozpoznání logické 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.
-
Původní specifikace (W3C Recommendation) XML 1.0 na W3C: http://www.w3.org/XML/
-
4th Edition (aktualizace, opravy, ne změny) na Extensible Markup Language (XML) 1.0 (Fourth Edition)
-
výborná komentovaná verze téhož na XML.COM (Annotated XML): http://www.xml.com/pub/a/axml/axmlintro.html
-
XML 1.1 (Second Edition) - změny indukované zavedením UNICODE 3, lepší možnosti normalizace, upřesnění postupu manipulace se znaky ukončení řádku. XML 1.1 není už vázaný na konkrétní verzi UNICODE, ale vždy na verzi poslední.
- XML Coordination Group
-
pracovní skupina zprostředkující jakési "rozhraní" mezi jednotlivými skupinami aktivity XML a také navenek
- XML Core Working Group
-
vývoj hlavní specifikace (XML) a blízce souvisejících (Namespaces in XML, XML Information Set, XInclude)
- XSL Working Group
-
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.
- Efficient XML Interchange Working Group
-
vývoj standardů k efektivní výměně XML dat s důrazem na platformovou přenositelnost a nezávislost na jednotlivých výrobcích (součástí je např. XML Binary Characterization)
- XML Processing Model Working Group
-
pracuje na definici skriptovacího jazyka pro XML, na specifikaci operací nad XML daty
- XML Linking Working Group
-
dnes již nefungující skupina pracovala na vývoji XML Linking Language (XLink) a XML Pointer Language (XPointer).
- XML Query Working Group
-
pracuje na návrhu XML Query Language (XQuery a XPath - společně s XSL Working Group)
- XML Schema Working Group
-
Připravuje specifikace W3C XML Schema k popisu struktury, obsahu, příp. sémantiky XML dokumentů.
-
Ani XML není "ultimate solution" na všechny problémy strojové výměny dat. Vývoj jde dál.
-
U interaktivních (bohatých) webových aplikací (RIA) s intenzivní komunikací server-klient se z důvodu snazší interpretovatelnosti a menší datové režie používají formáty jako JSON (JavaScript Object Notation) nebo YAML pro ruční zapis strukturovaných dat.
-
Tyto standardy budeme v průběhu přednášek zmiňovat také. Těžiště kurzu je však v XML, odvozených formátech, nástrojích na jeho zpracování a aplikacích.
-
(výborný úvodní) Koskův seriál o XML pro Softwarové noviny: http://kosek.cz/clanky/swn-xml/index.html
-
(obsahuje hodně příkladů) Zvon XML Tutorial: http://www.zvon.org/xxl/XMLTutorial/General/book_en.html
-
Microsoft XML Tutorial: http://msdn.microsoft.com/xml/tutorial/
-
101 XML Tutorials: http://www.xml101.com/xml/default.asp
-
Tutoriály na Developerlife.com: http://developerlife.com
- World Wide Web Consortium (W3C)
- XML Startkabel
-
http://xml.startkabel.nl - aktuality, odkazy (v angličtině/nizozemštině - obnovováno cca 1x 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 - denně aktualizovaný 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 - články, tutoriály, software atd. na vysoké technické úrovni
- XML USENET newsgroup
- XML-DEV
-
mailto:xml-dev@xml.org - nejznámější maillist ke XML standardům (webový archív)
-
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)
-
Přehled XML aktivit W3C: http://www.w3.org/XML/Activity - specifikace standardů, konference, odkazy na SW, referenční nástroje, odkazy (obnovováno podle potřeby)
-
What is XML? na XML.COM: http://www.xml.com/pub/a/98/10/guide0.html - jeden z úvodních článků ke XML
-
XML: XML Quick Syntax Reference Card - výborná stručná referenční karta
-
výborná komentovaná verze téhož na XML.COM (Annotated XML): http://www.xml.com/pub/a/axml/axmlintro.html
- 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 - I. Kopeček
- PV174
-
Laboratoř elektronických a multimediálních aplikací - P. Sojka
- PV030
-
Textové informační systémy - P. Sojka
- PV113
-
Softwarové elektronické publikace II - P. Sojka
-
Balík XSLT2 (Jan Pavlovič) Návod k modulu xslt2
Základním požadavkem kladeným na každý XML dokument je, že musí být dobře utvořen (well-formed).
-
Obsahuje prolog (hlavičku) a
právě jeden, tzv. kořenový element.
Dále může před a po kořenovém elementu obsahovat instrukce pro zpracování, komentáře atd. (
Misc) -
It meets all the well-formedness constraints given in the specification.
Musí vyhovovat všem pravidlům pro správné utvoření uvedeným ve specifikaci.
-
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
- Struktura logická
-
dokument členíme na elementy (jedne z nich je kořenový - root), jejich atributy, textové uzly v elementech, instrukce pro zpracování, notace, komentáře
- Struktura fyzická
-
jeden logický dokument může být uložen ve více fyzických jednotkách - entitách; vždy alespoň v jedné - tzv. entitě dokumentu - document entity.
-
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
Jsou objekty ohraničené počáteční a koncovou značkou - start and end tag, tedy obecně:
<tagname ...tag_attributes...>
tag_content
</tagname>
Příklad 1. Příklad elementu s obsahem (neprázdného)
<body background="yellow">
<h1>textový uzel - obsah elementu h1</h1>
<p>textový uzel - obsah elementu p</p>
</body>
Je-li obsah prázdný (žádné dceřinné elementy ani textový obsah), pak píšeme pouze značku prázdného elementu - empty element tag, např.:
<tagname ...tag_attributes... />
Z hlediska logického je ekvivalentním zápisem
-
Nesou "dodatečné informace" k elementu - např. jeho ID, požadované formátování - styl, odkazy na další elementy...
-
Konceptuálně 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.
-
Atribut je tvořen jménem 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.
![[Poznámka]](http://www.fi.muni.cz/~tomp/slides/images/note.png)
Příklad 5. Atribut 'border' v neprázdném elementu
<table border='1'>
<tr><td>jedna</td><td>dve</td></tr>
<tr><td>tri</td><td>ctyri</td></tr>
</table>
Instrukce pro zpracování
(processing-instruction) píšeme do značek
<?target
content?>
Informují aplikaci o postupu či nastavení nutném pro zpracování daných XML dat. Nepopisují (nepředstavují) obsah, ale zpracování dokumentu.
<?xsl-stylesheet href="mystyle.xsl"?>
Notace (notation) píšeme do značek
<!NOTATION name declaration >
Slouží zejména k popisu binárních (non-XML) entit - např. obrázků GIF, PNG,...
Podobně jako v HTML - komentář (comment)
píšeme do značek <!--text komentáře-->
Obsahem komentáře je text komentáře, nikoli
celý komentář i se značkami
Komentář nebývá obvykle pro zpracování významný, ale záleží na aplikaci - může např. uchovávat 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 Javě balík
org.xml.sax.ext).
Entita je základní jednotkou fyzické stavby dokumentu. Odpovídá řetězci, souboru...
Parsery by měly entity zpracovávat tak, aby aplikace nemusela o entitách "nic tušit".
Podrobné informace k syntaxi se dozvíme v následující kapitole Standardy rodiny XML
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.
Oba standardy se zabývají podobnými problémy: řeší znakové sady s více než 256 znaky.
-
Původní návrh tzv. 16bitového Unicode: až 64 K znaků, stačí pro evropské, nestačí pro světové jazyky (např. dnes frekventovaná čínstina).
-
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 (nonterminál kvalifikovaná jména - QName) použít znaky z BMP.
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 (=Cp1250) - 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 jsou jakékoli UNICODE znaky po x10FFFF (kromě xFFFE, xFFFF a rozmezí xD800 - xDFFF).
-
jména (names) musí být složena ze nemezerových znaků: číslice, písmena,
.(tečka)-(pomlčka, minus)_(podtržítko):a dalších, musí začínat písmenem nebo_: -
Kódování těchto UNICODE znaků není podstatné.
-
Jako implicitní - není-li v prologu (hlavičce), např.
<?xml version="1.0" encoding="Windows-1250"?>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...