1
Úvod do značkovacích jazyků, základní
pojmy, logická a fyzická struktura
dokumentu
Obsah
Značkovací jazyky .............................................................................................................. 2
Co jsou značkovací jazyky? ......................................................................................... 2
Povaha značkování ..................................................................................................... 2
Značkování bez počítačů .............................................................................................. 3
Počítačové aplikace ..................................................................................................... 3
Pozdější standardy ...................................................................................................... 3
Úvod do XML ................................................................................................................... 4
Co je XML? .............................................................................................................. 4
Deset zásad pro specifikaci XML standardů .................................................................... 4
Charakteristika XML jazyků ......................................................................................... 5
Aktuální specifikace XML ........................................................................................... 5
Aktivity W3C ............................................................................................................ 5
Co dále? ................................................................................................................... 6
Informační zdroje k XML .................................................................................................... 6
Základní tutoriály a články ........................................................................................... 6
Portály k XML .......................................................................................................... 6
Elektronické konference, news, maillisty k XML .............................................................. 7
XML software ........................................................................................................... 7
Další odkazy k XML .................................................................................................. 7
Zdroje k XML na FI ........................................................................................................... 7
Předměty - podzimní semestr ........................................................................................ 7
Předměty - jarní semestr .............................................................................................. 8
Software ................................................................................................................... 8
Struktura XML dokumentů .................................................................................................. 8
Syntaxe XML dokumentů ............................................................................................ 8
Struktura XML dokumentu ........................................................................................... 8
Fyzická a logická struktura .......................................................................................... 9
Prvky logické struktury ............................................................................................... 9
Elementy ................................................................................................................... 9
Elementy - prázdné ..................................................................................................... 9
Atributy .................................................................................................................. 10
Atributy - zápis ........................................................................................................ 10
Atributy - příklad ...................................................................................................... 10
Textové uzly ............................................................................................................ 10
Instrukce pro zpracování ............................................................................................ 11
Notace .................................................................................................................... 11
Komentáře ............................................................................................................... 11
Entity ...................................................................................................................... 11
Uzel dokumentu ....................................................................................................... 11
Podrobněji... ............................................................................................................. 12
Znaky v XML dokumentech ............................................................................................... 12
Znaky v XML dokumentech ....................................................................................... 12
Úvod do značkovacích jazyků,
základní pojmy, logická a
fyzická struktura dokumentu
2
Standardy Unicode, ISO 10646 ................................................................................... 12
Kódování Unicode .................................................................................................... 12
Přípustné znaky ........................................................................................................ 13
Značkovací jazyky
Co jsou značkovací jazyky?
• 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 [http://www.google.com/search?q=HTML] [http://cs.wikipedia.org/
wiki/Speci%C3%A1ln%C3%AD:Search?search=HTML], XML [http://www.google.com/
search?q=XML] [http://cs.wikipedia.org/wiki/Speci%C3%A1ln%C3%AD:Search?
search=XML],...), ale i další, jako formáty sázecího systému TeX [http://
www.google.com/search?q=TeX] [http://cs.wikipedia.org/wiki/Speci%C3%A1ln
%C3%AD:Search?search=TeX], formátovací jazyky nástrojů nroff [http://www.google.com/
search?q=nroff] [http://cs.wikipedia.org/wiki/Speci%C3%A1ln%C3%AD:Search?
search=nroff], troff [http://www.google.com/search?q=troff] [http://cs.wikipedia.org/
wiki/Speci%C3%A1ln%C3%AD:Search?search=troff]. Rovněž jazyky pro popis stránek pro tisk
a prezentace jako PostScript [http://www.google.com/search?q=PostScript] [http://
cs.wikipedia.org/wiki/Speci%C3%A1ln%C3%AD:Search?search=PostScript] nebo PDF [http://
www.google.com/search?q=PDF] [http://cs.wikipedia.org/wiki/Speci%C3%A1ln
%C3%AD:Search?search=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).
Povaha značkování
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.
Úvod do značkovacích jazyků,
základní pojmy, logická a
fyzická struktura dokumentu
3
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
Značkování bez počítačů
Zhruba do šedesátých let byl pojem značkování znám pouze v nepočítačových kontextech:
• První značkovací jazyky (neformálně) se používaly při zpracování textů do knih a jejich sazbě.
• Korektoři a typografové dělají k textu (na okraje papíru) značky, co se použije za písmo, vyznačovali
korektury apod.
Počítačové aplikace
První systémy na počítačové zpracování textů trpěly tím, že cílová tisková zařízení byla různá a tím i jejich
"programování".
•
Proto byl vyvinut standard GenCode [http://www.google.com/search?q=GenCode]
[http://cs.wikipedia.org/wiki/Speci%C3%A1ln%C3%AD:Search?search=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 [http://en.wikipedia.org/wiki/
IBM_Generalized_Markup_Language].
• Na základě obou těchto jazyků vznikl později SGML [http://www.google.com/
search?q=SGML] [http://cs.wikipedia.org/wiki/Speci%C3%A1ln%C3%AD:Search?
search=SGML] (Standard Generalized Markup Language [http://en.wikipedia.org/wiki/
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 [http://www.google.com/search?
q=TeX] [http://cs.wikipedia.org/wiki/Speci%C3%A1ln%C3%AD:Search?search=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 [http://www.google.com/
search?q=LaTeX] [http://cs.wikipedia.org/wiki/Speci%C3%A1ln%C3%AD:Search?
search=LaTeX] (Leslie Lamport), které mu přidává deskriptivní/deklarativní charakter (např. vyznačuje
logickou struktura dokumentu).
Pozdější standardy
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.
Úvod do značkovacích jazyků,
základní pojmy, logická a
fyzická struktura dokumentu
4
• 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.
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, XInclude, 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.
Návrh XML standardu by měl být rychle hotov.
Úvod do značkovacích jazyků,
základní pojmy, logická a
fyzická struktura dokumentu
5
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";
• 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.
Aktuální specifikace 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) [http://www.w3.org/TR/2006/REC-xml-20060816/]
• výborná komentovaná verze téhož na XML.COM (Annotated XML): http://www.xml.com/pub/a/axml/
axmlintro.html
• XML 1.1 (Second Edition) [http://www.w3.org/TR/2006/REC-xml11-20060816/] - 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.
Aktivity W3C
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.
Úvod do značkovacích jazyků,
základní pojmy, logická a
fyzická struktura dokumentu
6
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.
Co dále?
• 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.
Informační zdroje k XML
Základní tutoriály a články
• (výborný úvodní) Koskův seriál o XML pro Softwarové noviny: http://kosek.cz/clanky/swn-xml/
index.html
• Seriál o XML na ŽIVĚ [http://zive.cz]
• (obsahuje hodně příkladů) Zvon XML Tutorial: http://www.zvon.org/xxl/XMLTutorial/General/
book_en.html
• Tutoriál ke XML na W3 Schools [http://www.w3schools.com/xml/default.asp]
• Microsoft XML Tutorial: http://msdn.microsoft.com/xml/tutorial/
• 101 XML Tutorials: http://www.xml101.com/xml/default.asp
• XML Tutoriály na Beginners.co.uk [http://tutorials.beginners.co.uk]
• Tutoriály na Developerlife.com: http://developerlife.com
Portály k XML
World Wide Web Consortium
(W3C)
http://www.w3.org/
Úvod do značkovacích jazyků,
základní pojmy, logická a
fyzická struktura dokumentu
7
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 [http://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 [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)
• 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 [http://www.mulberrytech.com] - výborná stručná referenční
karta
• výborná komentovaná verze téhož na XML.COM (Annotated XML): http://www.xml.com/pub/a/axml/
axmlintro.html
Zdroje k XML na FI
Předměty - podzimní semestr
PA165 Vývoj programových systémů v jazyce Java - T. Pitner, P. Adámek, J. Pavlovič a další
PB029 Elektronická příprava dokumentů - P. Sojka
Úvod do značkovacích jazyků,
základní pojmy, logická a
fyzická struktura dokumentu
8
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 - I. 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 Pavlovič) Návod k modulu xslt2 [http://www.fi.muni.cz/~xpavlov/xml/index.html]
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. (Misc)
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.
Úvod do značkovacích jazyků,
základní pojmy, logická a
fyzická struktura dokumentu
9
• Aplikační programátory zajímá většinou jen struktura logická,
• autory obsahu, XML editorů, procesorů, atd. může zajímat i struktura fyzická.
Fyzická a logická struktura
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.
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, 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>
Elementy - prázdné
Je-li obsah prázdný (žádné dceřinné elementy ani textový obsah), pak píšeme pouze značku prázdného
elementu - empty element tag, např.:
<tagname ...tag_attributes... />
Příklad 2. Příklad elementu bez obsahu (prázdného)
<hr width='50%'/>
Z hlediska logického je ekvivalentním zápisem
Úvod do značkovacích jazyků,
základní pojmy, logická a
fyzická struktura dokumentu
10
Příklad 3. Příklad elementu bez obsahu - obě značky
<hr width='50%'></hr>
Atributy
• 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.
Atributy - zápis
• 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
Pokud se používají jmenné prostory, nejsou v jednom elementu přípustná ani dva různě
prefixované atributy patřící do stejného jmenného prostoru.
Atributy - příklad
Příklad 4. Atribut 'width' v prázdném elementu
<hr width='50%'/>
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>
Textové uzly
Nesou textovou informaci.
Úvod do značkovacích jazyků,
základní pojmy, logická a
fyzická struktura dokumentu
11
Např. v následující ukázce je text ahoj! (nikoli celý element em!) textovým uzlem:
<em>ahoj!</em>
Instrukce pro zpracování
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"?>
Poznámka
href v příkladu neznamená atribut; atributy nejsou u instrukce pro zpracování možné!
Notace
Notace (notation) píšeme do značek <!NOTATION name declaration >
Slouží zejména k popisu binárních (non-XML) entit - např. obrázků GIF, PNG,...
Jde vlastně o deklaraci způsobu zpracování.
Komentáře
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).
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
Úvod do značkovacích jazyků,
základní pojmy, logická a
fyzická struktura dokumentu
12
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
Standardy Unicode, ISO 10646
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.
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 (=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)
Úvod do značkovacích jazyků,
základní pojmy, logická a
fyzická struktura dokumentu
13
• 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 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...