XML T. Pitner, L. Bártek, A. Rambousek, L. Grolig FI MU Brno, 2021 Obsah Úvod do XML Motivace Principy Zdroje (@FI, ostatní) Co je XML? Jedná se o standard W3 Konsortia popisující jak tvořit značkovací jazyky. Jedná se tedy o metajazyk. Je odvozen ze starších standardů (SGML – Standard Generalized Markup Language) – Na XML se dá nahlížet jako na téměř podmnožinu SGML. Existuje řada standardů spojených s XML – XML Namespaces, XInclude, XML Base, XML Infoset Tyto standardy spolu s dalšími (XSLT, XSL-FO, XHTML, CSS, …) tvoří “rodinu” XML standardů. Deset principů XML Standardů Z preambule XML 1.0 (3. vydání) 1. XML by mělo být přímočaře použitelné na Internetu. 2. XML bude podporovat širokou škálu aplikací. 3. XML bude kompatibilní z SGML. 4. Tvorba programů zpracovávajících XML bude jednoduchá. 5. Počet volitelných prvků XML standardů bude malý, optimálně 0. Deset principů XML standardů 6. XML dokumenty by měly být „lidsky“ čitelné a rozumně jednoduché. 7. Návrh XML standardu by měl být rychle hotov. 8. Návrh XML musí byt formální a správný. 9. XML dokumenty bude možné snadno vytvořit. 10. Úspornost XML značkování není podstatná. Charakteristika XML jazyků XML není specifický jazyk, je to specifikace, jak tvořit značkovací jazyky. – Je to metajazyk. Konceptuálně vychází z SGML. – Zjednodušeno kvůli snažší tvorbě parserů. Jelikož každý element musí být uzavřený. – Dokument nemusí mít definováno DTD, pro zpracování struktury. XML staví na úspěšné implementaci SGML – HTML. – Má podobné charakteristiky, tzn. zaměření na Internet. Probíhá seriózní diskuze ohledně binárního XML. –Mělo by být možné ho reprezentovat stejně jako textové XML. Aktuální specifikace XML Původní specifikace (W3C Recommendation) W3C XML 1.0 5. vydání Extensible Markup Language (XML) 1.0 Fifth Edition XML 1.1 (Second Edition) –Změny vyvolané zavedením •UNICODE 3, •snažší normalizací, •Upřesněním zpracovaní konců řádků – XML 1.1. není vázáno na konkrétní verzi UNICODE, ale vždy na poslední. – Tutoriály a články ●Tutoriál k XML na zvon.org ●Tutoriál k XML na W3Schools ●Tutoriál k XML fy. Microsoft ●Tutoriály k XML na 101 XML ●XML tutoriál na Beginners.co.uk ●Tutoriály na Developerlife.com Portály vztažené k XML ●World Wide Web Consortium (W3C) ●XML Startkabel ●Vynikající sbírka tutoriálů a on-line dokumentace v řadě jazyků, hostovaná v CZ ●XML Cover Pages - denně aktualizovaný souhrn na materiály vázané k XML ●O‘Reilly XML.com - články a tutoriály na vyšší úrovni. ●IBM DeveloperWorks, section XML - články, tutoriály, software atd. na vyšší úrovni. Další odkazy k XML ●Aktivity W3C: specifikace standardů, konference, odkazy na SW, ukázkové nástroje, odkazy ●What is XML na XML.com - jeden z úvodních článků k XML ●XML: XML Quick Syntax Reference Card - výborná, jednoduchá referenční karta. ●Komentovaná verze specifikace XML na XML.com (Annotated XML) Knihy ●XML in Nutshell od E.R.Harolda Co dále? Ani XML není univerzální řešení všech problému při strojové výměně dat. Vývoj pokračuje. Pro pokročilé (rich) webové aplikace s intenzivní komunikací client-server: – Potřeba lepší interoperability a menšího množství dat •Formáty jako JSON (JavaScript Object Notation). •YAML – ruční popis struktovaných dat. Budou probrány později. ● Koncepty a Struktura XML dokumentů Obsah Logická a fyzická struktura dokumentu Struktura XML Dokumentů Základní požadavek na XML dokumenty – musí být dobře utvořené: – Obsahují XML prolog a právě jeden kořenový element. •Před a za kořenovým elementem mohou být instrukce pro zpracování. – Splňuje požadavky na dobře utvořené dokumenty ze specifikace. – Každá přímo nebo nepřímo odkazovaná parsovatelná entita je dobře utvořená. Další možný požadavek na XML dokument – být validní. Struktura XML dokumentů (další informace) ●Viz tutoriál XML Fundamentals (anglicky) ●Obsah k XML na zvon.org Struktura XML dokumentů ●Rozlišujeme: –fyzickou a –logickou strukturu. ●Aplikační programátory obvykle zajímá pouze logická struktura, ●zatímco pro autory obsahu a editorů může být důležitá i fyzická struktura. Fyzická a logická struktura ●Logická struktura: –dokument se skládá z: ●elementů – jeden je kořenový, ●atributů, ●textových uzlů, ●instrukcí pro zpracování, ●symbolů ●komentářů. Fyzická a logická struktura ●Fyzická struktura –Jeden logický dokument může být uložen ve více fyzických entitách – vždy v alespoň jedné. Prvky logické struktury ●Uzlem (generickým prvkem) může být: –Element – občas nekorektně nazývaný „tag/značka“ (značka je počáteční a koncové značkování ne celý element). –Atribut – vždy součást elementu. –Textový uzel – text mezi značkami. –Instrukce pro zpracování – neobsahuje textový obsah nebo atribut, pouze pro účely zpracování. –Komentáře – určeny pro lidské čtenáře. Elementy ●Objekty ohraničené počáteční a koncovou značkou: ● ● text node — content of element hl ●

text node — content of element p

● ● Prázdné elementy ●Pokud je element prázdný, píšeme značku prázdného elementu –Neobsahuje dceřiné uzly (elementy, textový obsah) ●
●Nebo ekvivalent (z pohledu logické struktury) ●
● Atributy ●Vždy v počáteční značce elementu •
●Fyzické pořadí není důležité a obecně není bráno v potaz. ●Atributy jsou pouze „připojeny“ k elementu a nesou další informaci: –ID, –požadované formátování (styl) u (X)HTML, –odkazy na další elementy. Atributy vs. Elementy ●Atributy lze nahradit elementy –používají se ke zlepšení čitelnosti. ●Obsah atributu nelze dále strukturovat. ●Hodnota atributu není podle standardu strukturovaný. –Ačkoliv to není doporučeno, tak aplikace jí mohou strukturova. Jak zapisovat atributy ●Atribut se skládá z jeho jména a hodnoty. ●Atributy se vkládají do počateční značky. –Může být prázdná. ●Hodnota atributu je vždy v apostrofech (‘) a nebo úvozovkách (“) a od jména je oddělena =. ●Zápis width=‘800‘ resp. width=“800“ znamená to samé. ●Pro jména atributů platí to stejné jako pro názvy elementů. –V jedno elementu nemůže být více atributů se stejným jménem. –V případě použití jmenných prostorů nemohou být ve stejném jmenném prostoru v jednom elementu dva atributy se stejným jménem. Textové uzly ●Nesou textovou informaci, textový obsah. ●V následujícím příkladu je textovým uzlem ‚ahoj!‘ ne celý element em. •‘ahoj!‘ Instrukce pro zpracování ●Instrukce pro zpracování se zapisují • ●Informují aplikaci o očekávaném –zpracování –nastavení. ●Nenesou obsah. ● –href není atribut, –instrukce pro zpracování neobsahují atributy. – Notace ●Notace se zapisují • ●Většinou se používají k popisu binárních/ne XML entit –Obrázky, videa, ... ●Jedná se o deklaraci, jak zpracovat binární data. Komentáře ●Podobné jako v HTML –Uzavřené do ●Obsah komentář je obsah –Nikoliv celý komentář včetně značkování ●Komentáře se vetšinou nezpracovávají –Závisí na aplikaci ●Např. Server Side Includes je využívají ●Parsery by měly být schopné je předat do aplikace ●SAX parser je ve verzi 1 ignoruje –Verze 2 je předává Entity ●Entita – základní jednotka fyzické struktury dokumentu. ●Odpovídá –znaku, –řetězci, –celému souboru. ●Parser pracuje s entitami tak, že aplikace se o nich nedozví. Uzel dokumentu ●Uzel dokumentu –Rodič kořenového elementu. –Může obsahovat: ●instrukce pro zpracování ●notace ●DTD ●... ●Kořenový element –Jádro celého dokumentu. –V každém souboru smí být pouze jeden. Uzel dokumentu ●Rozlišujeme –Uzel dokumentu ●Rodič kořenového elementu ●Může obsahovat instrukce pro zpracování, notace, DOCTYPE, a –Kořenový element ●Základní část XML dokumentu. ●V každém dokumentu je právě jeden. Znaky v XML ●Obsah –Znakové sady a jejich kódování –Unicode a jeho kódování –Znaky v XML –Znakové entity Znaky v XML dokumentech ●Specifikace umožňuje v určitých částech dokumentu jen určité znaky –jména elementů –obsah atributů. ●Znaková sada (charset) –sada znaků, resp. jejich kódů/čísel –přiřazení znaku jeho ordinární hodnotě (Unicode). ●Kódování znaků (v dané znakové sadě) –např. UTF-8, UTF-16, UTF-32 –ordinální hodnota zakódovaná do posloupnosti bytů ●Nepatrně odlišné v XML 1.0 a XML 1.1 Unicode a Standard ISO 10646 ●Oba standardy se snaží vyřešit problém: –„Znakové sady s více jak 256 není možné zakódovat jako 1 byte – jeden znak.“ ●Původně 16bitový Unicode –Až 64k znaků ●dostatek pro všechny evropské abecedy ●málo pro světové abecedy (čínské, ...) ●32bitový Unicode –Dostatek pro „všechny“ abecedy na světě. –Dnes se z 32bitového Unicode používá Basic Multilanguage Plane (BMP) ●Pokrývá většinu typických jazyků ●Lze použít pro jména v XML (non-terminal Qualified Name – Qname) ●Pro ostatní znaky lze používat libovolný znak z Unicode. Kódování Unicode ●UCS 2 – přímé kódování Unicode –Znaky z BMP kódovány přímo jejich ordinální hodnotou. ●UCS 4 – totéž, ale všechny znaky z Unicode na 4 bytech včetně US-ASCII a evropských jazyků – neefektivní. ●UTF – nejdůležitější pro XML –Zejména UTF-8, ale parsery by měly znát obě. –1. byte – buď přímo znak z ASCII a nebo číslo roviny, ve které se má znak hledat. – Povolená kódování ●Pokud není uvedeno v prologu, tak UTF-8 resp. UTF-16 –Např. ●Odlišení podle prvních dvou bytů entity dokumentu –Tzv. Byte-order-mark – xFFFE. ●Pokud chybí předpokládá se UTF-8 ●UTF-8 je implicitní kódování XML ● Znakové entity ●Umožňují zápis znaků, které nejsou obsaženy v uživatelském fontu. ●Význam např. při zápisu znaků s jiným zvláštním významem –Např. Značkování: ●> ●< ● Zápis entit ●Odkaz na znak v Universal Character Set (UCS) – formát: –&#nnnn; ●dekadický zápis ordinální hodnoty znaku –&#xhhhh; ●hexadecimální zápis ordinální hodnoty znaku ●x musí být malé ●hexadecimální čísla mohou být jak velká, tak malá. ●Pojmenované entity - &name; –předdefinované ve standardu –explicitně deklarované v DTD –name je case-sensitive název entity, středník je povinný.