Основы XML

Расширяемый язык разметки (eXtensible Markup Language, XML) – это способ описания структурированных данных. Структурированными данными называются такие данные, которые обладают заданным набором семантических атрибутов и допускают иерархическое описание. XML-данные содержатся в документе, в роли которого может выступать файл, поток или другое хранилище информации, способное поддерживать текстовый формат.

Любой XML-документ строится по определённым правилам. Ниже перечислены правила, следовать которым обязательно.

1. Единица информации – XML-элемент. XML-документ состоит из XML-элементов. Каждый элемент определяется при помощи имени, открывающего тега и закрывающего тега. Открывающий тег элемента записывается в форме < имя-элемента>, закрывающий тег – в форме < /имя-элемента>. Между открывающим и закрывающим тегами размещается содержимое элемента. Если содержимое элемента отсутствует, то элемент может быть записан в форме < имя-элемента /> или < имя-элемента/>.

2. Иерархия элементов. Содержимым XML-элемента может быть текст, пробельные символы (пробелы, табуляции, переводы строки), а также другие XML-элементы. Допускается комбинация указанного содержимого (например, элемент может содержать и текст, и вложенные элементы). Элементы должны быть правильно вложены друг в друга – если элемент A вложен в элемент B, то закрывающий тег < /A> должен находиться перед закрывающим тегом < /B>.

3. Корневой элемент. В XML-документе всегда должен быть единственный элемент, называемый корневым, никакая часть которого не входит в содержимое любого другого элемента. Иначе говоря, корневой элемент обрамляет все остальные элементы документа.

4. Синтаксис имён элемента. Имена элементов чувствительны к регистру. Имена могут содержать буквы, цифры, дефисы (-), символы подчёркивания (_), двоеточия (:) и точки (.), однако должны начинаться только с буквы или символа подчёркивания. Двоеточие может быть использовано только в специальных случаях – при записи префикса пространства имён. Имена, начинающиеся с xml (вне зависимости от регистра), зарезервированы для нужд XML.

5. Специальные символы. Некоторые символы не могут использоваться в тексте содержимого элементов, так как применяются в разметке документа. Эти символы могут быть обозначены особым образом:

& amp; символ &

& lt; символ <

& gt; символ >

& quot; символ "

& apos; символ '

& #int; Unicode-символ с десятичным кодом int

& #xhex; Unicode-символ с шестнадцатеричным кодом hex

6. Атрибуты элемента. Любой XML-элемент может содержать один или несколько атрибутов, записываемых в открывающем теге. Правила на имена атрибутов накладываются такие же, как и на имена элементов. Имена атрибутов отделяются от их значений символом =. Значение атрибута заключается в апострофы или в двойные кавычки. Если апостроф или двойные кавычки присутствуют в значении атрибута, то для обрамления используются те из них, которые не встречаются в значении. Приведём пример элементов с атрибутами:

< elements-with-attributes>

< one attr=" value" />

< several first=" 1" second=" 2" third=" 3" />

< apos-quote case1=" John's" case2='He said: " Hello, world! " '/>

< /elements-with-attributes>

7. Особые части XML-документа. Кроме элементов, XML-документ может содержать XML-декларацию, комментарии, инструкции по обработке, секции CDATA.

XML-документ может начинаться с XML-декларации, определяющей используемую версию XML, кодировку XML-документа и наличие внешних зависимостей (обязательным атрибутом является только версия):

<? xml version=" 1.0" encoding=" utf-8" standalone=" yes"? >

Комментарии размещаются в любом месте документа и записываются в обрамлении <! -- и -->. В тексте комментариев не должна содержаться последовательность из двух знаков дефиса.

XML-документ может содержать инструкции по обработке, несущие информацию для внешних приложений. Инструкции по обработке записываются в обрамлении <? и? >.

Секция CDATA используется для того, чтобы обозначить части документа, которые не должны восприниматься как разметка. Секция CDATA начинается со строки <! [CDATA[ и заканчивается строкой ]]>. Внутри самой секции не должна присутствовать строка ]]>:

< example>

<! [CDATA[ < aaa> bb& cc< < < ]]>

< /example>

Если XML-документ оформлен по описанным выше правилам, то он называется правильно построенным документом (well-formed document). Если правильно построенный XML-документ удовлетворяет некой семантической схеме, задающей его структуру и содержание, то он называется действительным документом (valid document).

Приведём XML-документ с описанием планет, который будет использован далее в примерах кода:

<? xml version=" 1.0" encoding=" utf-8"? >

<! -- первые четыре планеты -->

< planets>

< planet>

< name> Mercury< /name>

< /planet>

< planet>

< name> Venus< /name>

< /planet>

< planet>

< name> Earth< /name>

< moon>

< name> Moon< /name>

< period units=" days" > 27.321582< /period>

< /moon>

< /planet>

< planet>

< name> Mars< /name>

< moon>

< name> Phobos< /name>

< period units=" days" > 0.318< /period>

< /moon>

< moon>

< name> Deimos< /name>

< period units=" days" > 1.26244< /period>

< /moon>

< /planet>

< /planets>

Рис. 5. Древовидная структура XML-данных.

Отметим, что при описании дерева XML-элементов используются следующие термины (см. рис. 5):

1. Текущий элемент (self);

2. Предок (ancestor) – любой элемент, содержащий текущий;

3. Корень (root) – предок всех элементов;

4. Родитель (parent) – непосредственный предок текущего элемента;

5. Потомок (descendant) – любой элемент, вложенный в текущий;

6. Ребёнок (child) – непосредственный потомок текущего элемента;

7. Сиблинги (siblings) – элементы, имеющие общего родителя.

В XML-документе с описанием планет элемент < name> используется и как имя планеты, и как имя луны. Ссылки на < name> будут неоднозначны – два одинаковых имени несут разную смысловую нагрузку. Для устранения неоднозначности и обеспечения семантической уникальность элемента предназначены пространства имён XML.

Чтобы связать элемент с пространством имён, используется специальный атрибут xmlns. Обычно для идентификатора пространства имён используют унифицированный идентификатор ресурса (Uniform Resource Identifier, URI), чтобы уменьшить риск совпадения идентификаторов в разных документах.

<! -- фрагмент документа с планетами -->

< planet>

< name xmlns=" https://astronomy.com/planet" > Earth< /name>

< moon>

< name xmlns=" https://astronomy.com/moon" > Moon< /name>

< period units=" days" > 27.321582< /period>

< /moon>

< /planet>

Чтобы не задавать атрибут xmlns у каждого элемента, действуют следующие правила. Считается, что пространство имён, заданное у элемента, автоматически распространяется на все дочерние элементы. Также при описании пространства имён можно определить префикс, который затем записывается перед именем требуемых элементов через двоеточие. Атрибуты также могут быть связаны с пространствами имён при помощи префиксов.

<! -- пространства имён обычно определяют в начале документа -->

< planets xmlns=" https://astronomy.com/planet"

xmlns: m=" https://astronomy.com/moon" >

< planet>

< name> Earth< /name>

< m: moon>

< m: name> Moon< /m: name>

< m: period m: units=" days" > 27.321582< /m: period>

< /m: moon>

< /planet>

< /planets>