Úvod do značkovacích jazyků

Tomáš Pitner

Copyright © 2001-2003 Tomáš Pitner

  • XML je standard (přesněji doporučení konsorcia W3C) jak vytvářet značkovací jazyky.

  • Jedná se tedy o metajazyk.

  • Ideově vychází ze zhruba o deset let mladšího standardu SGML (Structure Generalized Markup Language).

  • Se základním standardem úzce souvisí několik dalších, např. XML Namespaces, XInclude, XML Base.

  • Tyto spolu s dalšími standardy (XSLT, XSL-FO, XHTML, CSS...) tvoří "rodinu" standardů XML.

  • Momentálně je aktuální specifikací Extensible Markup Language (XML) 1.0 (Third Edition) W3C Recommendation 4th February 2004, autorů François Yergeau, Tim Bray, Jean Paoli, C. M. Sperberg-McQueen, Eve Maler

  • Současně s tím je zveřejněna XML 1.1, W3C Recommendation, 4th February 2004, François Yergeau, John Cowan, Tim Bray, Jean Paoli, C. M. Sperberg-McQueen, Eve Maler.

  • Vážné diskuse se vedou okolo binárního XML, což by měla být rovnocenná reprezentace stejného modelu, jako má "textové" XML.

vyňato z preambule ke specifikaci XML 1.0 (Second 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.

  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.

Základním požadavkem kladeným na každý XML dokument je, že musí být dobře utvořen (well-formed).

Toto nastane, právě když:

  1. Taken as a whole, it matches the production labeled document: [1] document ::= prolog element Misc* tj. 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

Rejstřík (glossary) pojmů ke XML

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 fyzická.

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.

Jsou objekty ohraničené počáteční a koncovou značkou - start and end tag, např.:

<tagname tag_attributes>
  tag_content 
</tagname>

Example 1.1. 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/>

Example 1.2. Příklad elementu bez obsahu (prázdného)

<hr width='50%'/>

  • 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...

  • 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.

Example 1.3. Atribut 'width' v prázdném elementu

<hr width='50%'/>

Example 1.4. 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>

Nesou textovou informaci.

Např. v následující ukázce je text ahoj! (nikoli celý element em!) textovým uzlem: 

<em>ahoj!</em>

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">

Note

href v příkladu neznamená atribut; atributy nejsou u instrukce pro zpracování možné!

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.

Podobně jako v HTML - komentář (comment) píšeme do značek <!-- text komentáře -->

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