PB029: XML

XML (Extensible Markup Language) je textový značkovací jazyk, který byl vyvinut jako zjednodušení principielně obdobného, ale mnohem složitějšího značkovacího jazyka SGML.

XML je metajazyk určený k vytváření značkovacích jazyků pro konkrétní použití (jedním z takových jazyků je např. XHTML). Slouží k textové a člověkem čitelné serializaci dat. (V tomto ohledu v dnešní době soupeří s dalšími standardy, zejména s jazykem JSON.)

Díky standardizaci a široké podpoře v programovacích jazycích a nástrojích pro vývojáře je XML hojně využívaným jazykem pro výměnu dat ve strojově zpracovatelné podobě s výhodou jejich čitelnosti člověkem v prostém textovém editoru.

Přejít: navigace | na začátek stránky | na konec stránky

Vlastní XML jazyk

Využití XML pro definici vlastního jazyka si můžeme ukázat na příkladu jednoduchého katalogu software.

Představme si situaci, kdy si chceme vést evidenci o software, který používáme na svých osobních počítačích. Budeme si proto vytvářet jednoduchý katalog takového software v XML formátu. V tomto katalogu chceme pro každý produkt uchovávat název programu, informaci o instalačním souboru a jeho verzi, odkaz na domovskou stránku výrobce a krátký popis. V případě některých produktů se celá instalační sada může skládat z více částí (např. program a dodatečné pluginy). V našem katalogu chceme proto mít možnost popsat i tuto situaci.

Příklad takového katalogu v XML si můžete prohlédnout v souboru programy.xml.

Přejít: navigace | na začátek stránky | na konec stránky

Formální definice XML jazyka

Značkování v našem souboru programy.xml jsme si stanovili sami. Nikomu (možná krom autora souboru programy.xml) proto nemůže být zřejmé, jak přesně je dané značkování definováno. (Je uvedení odkazu na domovskou stránku povinné? Je povolené uvádět uživatelské hodnocení daného produktu? Je možné elementy program-group zanořovat více než jednou do sebe?) Na druhou stranu jsme díky textové reprezentaci i bez jakékoliv předchozí znalosti daného jazyka schopni odhadnout význam dat v souboru obsažených.

Bez přesné definice daného značkování (našeho XML jazyka) nejsme schopni naznačkovaná data dále automatizovaně zpracovávat. Nejsme schopni provést import dat do databáze (nevíme, jaká data v jakých elementech můžeme očekávat), univerzálně definovat převod libovolného katalogu software v tomto značkovaní na HTML stránku ani bezpečně exportovat data z našeho systému (existuje například omezení na maximální povolenou délku popisu?) atd.

Uvedené problémy řeší formální definice XML jazyka. Existuje několik standardů, které se pro definici XML jazyků používají. Historicky nejstarší je Document Type Definition (DTD). Tip: DTD se hojně využívá u (X)HTML. Pokud si zobrazíte zdrojový kód této webové stránky, uvidíte odkaz na DTD na jejím druhém řádku těsně za XML prologem. Dalšími možnostmi jsou např. RELAX NG, Schematron, anebo hojně užívané a velmi mocné XML Schema.

Formální definice našeho XML jazyka užitého v programy.xml v jazyce XML Schema je k dispozici v souboru seznam-software.xsd. Z uvedené definice je zřejmé mimo jiné to, že uvedení odkazu na domovskou stránku není povinné, není povolené uvádět uživatelské hodnocení daného produktu („hvězdičky“), elementy program-group je možné neomezeně zanořovat do sebe a neexistuje omezení na maximální povolenou délku popisu.

Přejít: navigace | na začátek stránky | na konec stránky

Validace

Výhodou striktních syntaktických požadavků XML a existence formální definice jazyka je, že dokumenty v takovém značkování můžeme bezpečně algoritmicky zpracovávat.

Nejzákladnější syntaktické požadavky na každý XML dokument vychází přímo ze syntaktických požadavků XML. XML dokument je dobře utvořený (well formed), pokud neobsahuje neuzavřené elementy, neobsahuje překřížené elementy, má právě jeden kořenový element atd.

Kontrolu, zda je libovolný XML dobře utvořený, můžeme provést např. nástrojem xmllint: xmllint --noout programy.xml Takovou kontrolu můžeme provést na libovolném XML dokumentu, není k ní třeba žádná formální definice použitého XML jazyka, neboť se kontroluje pouze základní XML syntaxe, nikoliv formát kódovaných dat. Pokud dokument není well formed, žádná aplikace nesmí pokračovat v jeho dalším zpracování a musí ohlásit chybu.

Pokud je k dispozici formální definice použitého jazyka, je na vstupním dokumentu, který o sobě tvrdí, že obsahuje značkování v daném jazyce, možné provést validaci, tzn. kontrolu shody obsahu dokumentu s definicí daného jazyka. Při použití definice v jazyce XML Schema můžeme opět použít např. nástroj xmllint: xmllint --noout --schema seznam-software.xsd programy.xml

Pokud je vstupní dokument dobře utvořený (well formed) a validní, můžeme jej bezpečně automaticky zpracovávat – máme jistotu, že přesně známe formát dat, která se v takovém dokumentu mohou vyskytnout, a zpracovávající software by na ně tedy měl být plně připraven.

Přejít: navigace | na začátek stránky | na konec stránky

Stylování XML dokumentů

XML jazyky slouží k předávání dat ve strojově zpracovatelném formátu. Často však může být užitečné definovat způsob, jakým se XML dokument vykreslí při zobrazení ve webovém prohlížeči.

Pokud si v prohlížeči otevřeme soubor programy.xml, zobrazí se nám pouze zdrojový kód příslušného XML dokumentu. Pokud si však vytvoříme CSS stylopis a k XML dokumentu jej připojíme, vyobrazí se nám dokument v moderních prohlížečích jako běžná webová stránka.

Stylování XML dokumentů ilustruje CSS stylopis seznam-software.css, který je určený pro libovolný XML dokument v jazyce definovaném XML schématem seznam-software.xsd. Ukázkový výsledek je možné si prohlédnout na souboru programy-s-css.xml, který je krom přidání odkazu na CSS stylopis shodný s dokumentem programy.xml:

1 --- programy.xml        2015-10-30 15:23:16.521464364 +0200
2 +++ programy-s-css.xml  2015-10-30 15:25:43.325325463 +0200
3 @@ -1,4 +1,5 @@
4  <?xml version="1.0" encoding="UTF-8"?>
5 +<?xml-stylesheet type="text/css" href="seznam-software.css"?>
6  <programs title="Programy"
7            xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
8            xsi:noNamespaceSchemaLocation="seznam-software.xsd">

Přejít: navigace | na začátek stránky | na konec stránky

XML transformace

Stylování pomocí jazyka CSS je užitečné, ale často nedostačující. V rámci stylopisu například nemůžeme do výsledné stránky dodat další navigační a strukturní prvky ani data jinak předzpracovat ze strojové do lidsky čitelné podoby. Mnohdy proto potřebujeme silnější transformační mechanismus.

Jednou z možností, jak transformovat data ve formátu XML, jsou stylopisy v jazyce XSLT. XSLT je deklarativní programovací jazyk, který popisuje převod z jednoho XML jazyka buďto do XML jazyka jiného, nebo do libovolného jiného textového formátu, jako je HTML, LaTeX, apod.

Libovolný XML dokument v jazyce definovaném XML schématem seznam-software.xsd můžeme převést do HTML pomocí XSLT stylopisu seznam-software-do-html.xsl. Vyzkoušet si to můžeme na našem dokumentu programy.xml pomocí XSLT procesoru xsltproc: xsltproc --output programy.html seznam-software-do-html.xsl programy.xml Informace obsažené v XML dokumentu tak mohou být přímo vizuálně prezentovány čtenáři ve webovém prohlížeči otevřením HTML stránky programy.html.

XSLT stylopis můžeme odkazovat přímo z XML dokumentu. Některé webové prohlížeče pak při otevření takového XML dokumentu nezobrazí samotná XML data, ale přímo výslednou HTML stránku, která je výsledkem XSLT transformace daným stylopisem. Vyzkoušet si to můžete na souboru programy-s-xsl.xml, který je krom přidání odkazu na XSLT stylopis shodný s dokumentem programy.xml:

1 --- programy.xml        2014-10-20 00:38:11.211197875 +0200
2 +++ programy-s-xsl.xml  2014-10-20 00:38:17.135173512 +0200
3 @@ -1,4 +1,5 @@
4  <?xml version="1.0" encoding="UTF-8"?>
5 +<?xml-stylesheet type="text/xsl" href="seznam-software-do-html.xsl"?>
6  <programs title="Programy"
7            xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
8            xsi:noNamespaceSchemaLocation="seznam-software.xsd">

Přejít: navigace | na začátek stránky | na konec stránky

Praktické úkoly k procvičení

1. Přidejte si do programy.xml další položku <program>…</program> s popisem nějakého svého oblíbeného programu.
   • Ověřte, že je dokument po úpravě stále validní.
   • Prohlédněte si novou podobu dokumentu po transformaci do HTML.
2. Rozšiřte definici jazyka seznam-software.xsd o nový podelement elementu program, který se bude jmenovat user-rating, bude nepovinný, neopakovatelný, a povolenou hodnotou bude celé číslo od nuly do pěti (tzn. hodnocení „nula až pět hvězdiček“).
   • Přidejte nově definovaný element k jednomu nebo více záznamům ve vašem katalogu software programy.xml.
   • Ověřte, že je dokument po úpravě stále validní.
3. Rozšiřte ukázkovou XML transformaci v souboru seznam-software-do-html.xsl o podporu nově definovaného elementu user-rating.
   • [do výšky 2 bonusových bodů dle chytrosti řešení] Hodnocení uvedené ve vstupním XML dokumentu je možné reprezentovat i jinak než prostým výpisem čísla uvedeného přímo v XML. Může být reprezentováno např. graficky opakovaným výpisem symbolů „★“ a „☆“ (např. tedy „★★★☆☆“ pro hodnocení 3) apod.
4. [za 3 bonusové body] Vytvořte vlastní předpis XML transformace, která libovolný dokument v XML jazyce definovaném XML schématem seznam-software.xsd převede do jazyka LaTeX.
   • Z důvodu lepší podpory Unicode je vhodné vytvářet zdrojový text pro sazbu XeLaTeXem/LuaLaTeXem.
   • Symboly hvězdiček naleznete např. v LaTeXovém balíčku pifont.
   • Výslednou transformaci aplikujte na svůj dokument programy.xml a získaný zdrojový text přeložte TeXem.

Přejít: navigace | na začátek stránky | na konec stránky

Navigace:

• PB029
  • Vlastní XML jazyk
  • Formální definice XML jazyka
    • Validace
  • Stylování XML dokumentů
  • XML transformace
  • Praktické úkoly k procvičení