XML dla absolutnie początkującego

HTML i World Wide Web są wszędzie. Jako przykład ich wszechobecności jadę w tym roku do Ameryki Środkowej na Wielkanoc i jeśli zechcę, będę mógł surfować po sieci, czytać e-maile, a nawet robić bankowość internetową w kafejkach internetowych w Antigua Guatemala i Belize City. (Nie zamierzam jednak tego robić, ponieważ zabrałoby to trochę czasu od randki, którą mam z palmą i kokosem wypełnionym rumem).

A jednak pomimo wszechobecności i popularności HTMLa, jego możliwości są bardzo ograniczone. Jest to dobre rozwiązanie do rozpowszechniania nieformalnych dokumentów, ale HTML jest teraz używany do robienia rzeczy, do których nigdy nie został zaprojektowany. Próba zaprojektowania wytrzymałych, elastycznych, interoperacyjnych systemów danych z HTML przypomina próbę zbudowania lotniskowca z piłami do metalu i lutownicą: narzędzia (HTML i HTTP) po prostu nie nadają się do tego zadania.

Dobra wiadomość jest taka, że ​​wiele ograniczeń HTML zostało przezwyciężonych w XML, Extensible Markup Language. XML jest łatwo zrozumiały dla każdego, kto rozumie język HTML, ale ma znacznie większe możliwości. XML to nie tylko język znaczników, ale także metajęzyk - język używany do definiowania nowych języków znaczników. Dzięki XML możesz stworzyć język spreparowany specjalnie dla Twojej aplikacji lub domeny.

XML uzupełni, a nie zastąpi HTML. Podczas gdy HTML służy do formatowania i wyświetlania danych, XML reprezentuje kontekstowe znaczenie danych.

W tym artykule przedstawimy historię języków znaczników i sposób powstania XML. Przyjrzymy się przykładowym danym w HTML i stopniowo przejdziemy do XML, pokazując, dlaczego zapewnia on doskonały sposób przedstawiania danych. Zbadamy powody, dla których może być konieczne wymyślenie niestandardowego języka znaczników, i nauczę Cię, jak to zrobić. Omówimy podstawy notacji XML i sposoby wyświetlania XML w dwóch różnych językach stylów. Następnie zagłębimy się w Document Object Model, potężne narzędzie do manipulowania dokumentami jako obiektami (lub manipulowania strukturami obiektów jako dokumentami, w zależności od tego, jak na to patrzysz). Omówimy, jak pisać programy Java, które wyodrębniają informacje z dokumentów XML, ze wskaźnikiem do darmowego programu przydatnego do eksperymentowania z tymi nowymi koncepcjami. Wreszcie,Przyjrzyjmy się firmie internetowej, która opiera swoją podstawową strategię technologiczną na XML i Javie.

Czy XML jest dla Ciebie?

Chociaż ten artykuł został napisany dla wszystkich zainteresowanych XML, ma specjalny związek z serią JavaWorld w XML JavaBeans. (Zobacz Zasoby, aby znaleźć łącza do powiązanych artykułów). Jeśli czytałeś tę serię i nie do końca ją „rozumiesz”, ten artykuł powinien wyjaśnić, jak używać XML w komponentach bean. Jeśli coraz to artykuł ten służy jako doskonały kawałek towarzyszem serii JavaBeans XML, ponieważ obejmuje tematy w nim nietknięte. A jeśli jesteś jednym z nielicznych szczęśliwców, którzy wciąż mają artykuły XML JavaBeans, na które możesz czekać, polecam najpierw przeczytać niniejszy artykuł jako materiał wprowadzający.

Uwaga o Javie

Ostatnio w świecie komputerów pojawiło się tyle działań związanych z XML-em, że nawet artykuł o takiej długości może tylko przejrzeć powierzchnię. Jednak celem tego artykułu jest przedstawienie kontekstu, którego potrzebujesz, aby używać XML w projektach programów Java. W tym artykule omówiono również sposób współdziałania XML z istniejącą technologią internetową, ponieważ wielu programistów Java pracuje w takim środowisku.

XML otwiera programowanie w Internecie i w Javie na przenośne, nie-przeglądarkowe funkcje. XML uwalnia treści internetowe od przeglądarki w podobny sposób, w jaki Java uwalnia zachowanie programu od platformy. XML udostępnia treści internetowe prawdziwym aplikacjom.

Java to doskonała platforma do używania XML, a XML to znakomita reprezentacja danych w aplikacjach Java. W dalszej części wskażę na niektóre mocne strony Javy z XML.

Zacznijmy od lekcji historii.

Geneza języków znaczników

HTML, który wszyscy znamy i kochamy (cóż, w każdym razie wiemy) został pierwotnie zaprojektowany przez Tima Berners-Lee w CERN ( le Conseil Européen pour la Recherche Nucléaire, czyli Europejskie Laboratorium Fizyki Cząstek) w Genewie, aby umożliwić maniakom fizyki ( a nawet nie-frajerów), aby komunikować się ze sobą. HTML został wydany w grudniu 1990 roku w CERN i stał się publicznie dostępny latem 1991 roku dla reszty z nas. CERN i Berners-Lee udostępnili specyfikacje dotyczące HTML, HTTP i adresów URL, zgodnie ze starą dobrą tradycją udostępniania i korzystania w Internecie.

Berners-Lee zdefiniował HTML w SGML, standardowym uogólnionym języku znaczników. SGML, podobnie jak XML, jest metajęzykiem - językiem używanym do definiowania innych języków. Każdy tak zdefiniowany język nazywany jest aplikacją SGML. HTML jest aplikacją SGML.

SGML wyłonił się z badań przeprowadzonych głównie w IBM w zakresie reprezentacji dokumentów tekstowych pod koniec lat 60-tych. IBM stworzył GML („General Markup Language”), poprzednik SGML, aw 1978 roku American National Standards Institute (ANSI) stworzył swoją pierwszą wersję SGML. Pierwszy standard został wydany w 1983 r., A projekt standardu opublikowano w 1985 r., A pierwszy standard opublikowano w 1986 r. Co ciekawe, pierwszy standard SGML został opublikowany przy użyciu systemu SGML opracowanego przez Andersa Berglunda w CERN, organizacji, która widzieliśmy, daliśmy nam HTML i Internet.

SGML jest szeroko stosowany w dużych gałęziach przemysłu i rządach, takich jak duże firmy lotnicze, motoryzacyjne i telekomunikacyjne. SGML jest używany jako standard dokumentu w Departamencie Obrony Stanów Zjednoczonych i w Internal Revenue Service. (Dla czytelników spoza Stanów Zjednoczonych podatnikami są IRS).

Albert Einstein powiedział, że wszystko powinno być tak proste, jak to tylko możliwe, a nie prostsze. Powodem, dla którego SGML nie ma w innych miejscach, jest to, że jest niezwykle wyrafinowany i złożony. A HTML, który można znaleźć wszędzie, jest bardzo prosty; w przypadku wielu aplikacji jest to zbyt proste.

HTML: Cała forma i bez treści

HTML to język przeznaczony do „mówienia” o dokumentach: nagłówkach, tytułach, podpisach, czcionkach i tak dalej. Jest mocno zorientowany na strukturę dokumentów i prezentację.

Trzeba przyznać, że artystom i hakerom udało się zdziałać cuda za pomocą stosunkowo nudnego narzędzia o nazwie HTML. Jednak HTML ma poważne wady, które sprawiają, że nie nadaje się do projektowania elastycznych, potężnych, ewolucyjnych systemów informacyjnych. Oto kilka głównych skarg:

  • HTML nie jest rozszerzalny

    Rozszerzalny język znaczników umożliwiłby programistom aplikacji definiowanie niestandardowych znaczników w sytuacjach specyficznych dla aplikacji. Jeśli nie jesteś gorylem o wadze 600 funtów (a może nawet wtedy), nie możesz wymagać od wszystkich producentów przeglądarek, aby zaimplementowali wszystkie znaczniki niezbędne dla Twojej aplikacji. Więc utkniesz z tym, na co pozwolą ci najwięksi producenci przeglądarek lub W3C (World Wide Web Consortium). Potrzebujemy języka, który pozwoli nam tworzyć własne znaczniki bez konieczności dzwonienia do producenta przeglądarki.

  • HTML jest bardzo skoncentrowany na wyświetlaniu

    HTML jest dobrym językiem do wyświetlania, chyba że potrzebujesz dużo precyzyjnego sterowania formatowaniem lub transformacją (w takim przypadku śmierdzi). HTML stanowi mieszaninę logicznej struktury dokumentu (tytuły, akapity itp.) Ze znacznikami prezentacji (pogrubienie, wyrównanie obrazu itd.). Ponieważ prawie wszystkie znaczniki HTML mają związek z wyświetlaniem informacji w przeglądarce, HTML jest bezużyteczny dla innych popularnych aplikacji sieciowych, takich jak replikacja danych lub usługi aplikacji. Potrzebujemy sposobu na ujednolicenie tych typowych funkcji z wyświetlaczem, aby ten sam serwer używany do przeglądania danych mógł na przykład wykonywać funkcje biznesowe przedsiębiorstwa i współpracować ze starszymi systemami.

  • HTML zazwyczaj nie nadaje się bezpośrednio do ponownego użycia

    Tworzenie dokumentów w edytorach tekstu, a następnie eksportowanie ich do formatu HTML jest nieco zautomatyzowane, ale nadal wymaga przynajmniej pewnych poprawek wyniku w celu uzyskania akceptowalnych wyników. Jeśli dane, na podstawie których utworzono dokument, ulegną zmianie, całe tłumaczenie HTML musi zostać powtórzone. Witryny internetowe, które pokazują aktualną pogodę na całym świecie przez całą dobę, zwykle bardzo dobrze radzą sobie z tym automatycznym formatowaniem. Treść i styl prezentacji dokumentu są oddzielone, ponieważ projektanci systemu rozumieją, że ich zawartość (temperatury, prognozy itp.) Nieustannie się zmienia . Potrzebujemy sposobu na określenie prezentacji danych pod względem struktury, tak aby po zaktualizowaniu danych można było „ponownie zastosować” formatowanie w sposób spójny i łatwy.

  • HTML only provides one 'view' of data

    It's difficult to write HTML that displays the same data in different ways based on user requests. Dynamic HTML is a start, but it requires an enormous amount of scripting and isn't a general solution to this problem. (Dynamic HTML is discussed in more detail below.) What we need is a way to get all the information we may want to browse at once, and look at it in various ways on the client.

  • HTML has little or no semantic structure

    Most Web applications would benefit from an ability to represent data by meaning rather than by layout. For example, it can be very difficult to find what you're looking for on the Internet, because there's no indication of the meaning of the data in HTML files (aside from META tags, which are usually misleading). Type

    red

    into a search engine, and you'll get links to Red Skelton, red herring, red snapper, the red scare, Red Letter Day, and probably a page or two of "Books I've Red." HTML has no way to specify what a particular page item means. A more useful markup language would represent information in terms of its meaning. What we need is a language that tells us not how to

    display

    information, but rather, what a given block of information

    is

    so we know what to do with it.

SGML has none of these weaknesses, but in order to be general, it's hair-tearingly complex (at least in its complete form). The language used to format SGML (its "style language"), called DSSSL (Document Style Semantics and Specification Language), is extremely powerful but difficult to use. How do we get a language that's roughly as easy to use as HTML but has most of the power of SGML?

Origins of XML

As the Web exploded in popularity and people all over the world began learning about HTML, they fairly quickly started running into the limitations outlined above. Heavy-metal SGML wonks, who had been working with SGML for years in relative obscurity, suddenly found that everyday people had some understanding of the concept of markup (that is, HTML). SGML experts began to consider the possibility of using SGML on the Web directly, instead of using just one application of it (again, HTML). At the same time, they knew that SGML, while powerful, was simply too complex for most people to use.

In the summer of 1996, Jon Bosak (currently online information technology architect at Sun Microsystems) convinced the W3C to let him form a committee on using SGML on the Web. He created a high-powered team of muckety-mucks from the SGML world. By November of that year, these folks had created the beginnings of a simplified form of SGML that incorporated tried-and-true features of SGML but with reduced complexity. This was, and is, XML.

In March 1997, Bosak released his landmark paper, "XML, Java and the Future of the Web" (see Resources). Now, two years later (a very long time in the life of the Web), Bosak's short paper is still a good, if dated, introduction to why using XML is such an excellent idea.

SGML was created for general document structuring, and HTML was created as an application of SGML for Web documents. XML is a simplification of SGML for general Web use.

An XML conceptual example

All this talk of "inventing your own tags" is pretty foggy: What kind of tags would a developer want to invent and how would the resulting XML be used? In this section, we'll go over an example that compares and contrasts information representation in HTML and XML. In a later section ("XSL: I like your style") we'll go over XML display.

First, we'll take an example of a recipe, and display it as one possible HTML document. Then, we'll redo the example in XML and discuss what that buys us.

HTML example

Take a look at the little chunk of HTML in Listing 1:

   Lime Jello Marshmallow Cottage Cheese Surprise   

Lime Jello Marshmallow Cottage Cheese Surprise

My grandma's favorite (may she rest in peace).

Ingredients

Qty Units Item
1 box lime gelatin
500 g multicolored tiny marshmallows
500 ml cottage cheese
dash Tabasco sauce (optional)

Instructions

  1. Prepare lime gelatin according to package instructions...

Listing 1. Some HTML

(A printable version of this listing can be found at example.html.)

Looking at the HTML code in Listing 1, it's probably clear to just about anyone that this is a recipe for something (something awful, but a recipe nonetheless). In a browser, our HTML produces something like this:

Lime Jello Marshmallow Cottage Cheese Surprise

My grandma's favorite (may she rest in peace).

Ingredients

Qty Units Item
1 box lime gelatin
500 g multicolored tiny marshmallows
500 ml Cottage cheese
  dash Tabasco sauce (optional)

Instructions

  1. Prepare lime gelatin according to package instructions...

Listing 2. What the HTML in Listing 1 looks like in a browser

Now, there are a number of advantages to representing this recipe in HTML, as follows:

  • It's fairly readable. The markup may be a little cryptic, but if it's laid out properly it's pretty easy to follow.

  • The HTML can be displayed by just about any HTML browser, even one without graphics capability. That's an important point: The display is browser-independent. If there were a photo of the results of making this recipe (and one certainly hopes there isn't), it would show up in a graphical browser but not in a text browser.

  • You could use a cascading style sheet (CSS -- we'll talk a bit about those below) for general control over formatting.

There's one major problem with HTML as a data format, however. The meaning of the various pieces of data in the document is lost. It's really hard to take general HTML and figure out what the data in the HTML mean. The fact that there's an of this recipe with a (quantity) of 500 ml () of cottage cheese would be very hard to extract from this document in a way that's generally meaningful.

Now, the idea of data in an HTML document meaning something may be a bit hard to grasp. Web pages are fine for the human reader, but if a program is going to process a document, it requires unambiguous definitions of what the tags mean. For instance, the tag in an HTML document encloses the title of the document. That's what the tag means, and it doesn't mean anything else. Similarly, an HTML tag means "table row," but that's of little use if your program is trying to read recipes in order to, say, create a shopping list. How could a program find a list of ingredients from a Web page formatted in HTML?

Sure, you could write a program that grabs the headers out of the document, reads the table column headers, figures out the quantities and units of each ingredient, and so on. The problem is, everyone formats recipes differently. What if you're trying to get this information from, say, the Julia Childs Web site, and she keeps messing around with the formatting? If Julia changes the order of the columns or stops using tables, she'll break your program! (Though it has to be said: If Julia starts publishing recipes like this, she may want to think about changing careers.)

Now, imagine that this recipe page came from data in a database and you'd like to be able to ship this data around. Maybe you'd like to add it to your huge recipe database at home, where you can search and use it however you like. Unfortunately, your input is HTML, so you'll need a program that can read this HTML, figure out what all the "Ingredients," "Instructions," "Units," and so forth are, and then import them to your database. That's a lot of work. Especially since all of that semantic information -- again, the meaning of the data -- existed in that original database but were obscured in the process of being transformed into HTML.

Now, imagine you could invent your own custom language for describing recipes. Instead of describing how the recipe was to be displayed, you'd describe the information structure in the recipe: how each piece of information would relate to the other pieces.

XML example

Let's just make up a markup language for describing recipes, and rewrite our recipe in that language, as in Listing 3.

  Lime Jello Marshmallow Cottage Cheese Surprise  My grandma's favorite (may she rest in peace).    1 lime gelatin   500 multicolored tiny marshmallows   500 Cottage cheese    Tabasco sauce     Prepare lime gelatin according to package instructions     

Listing 3. A custom markup language for recipes

It will come as little surprise to you, being the astute reader you are, that this recipe in its new format is actually an XML document. Maybe the fact that the file started with the odd header


  

gave it away; in fact, every XML file should begin with this header. We've simply invented markup tags that have a particular meaning; for example, "An is a (quantity in specified units) of a single , which is possibly optional." Our XML document describes the information in the recipe in terms of recipes, instead of in terms of how to display the recipe (as in HTML). The semantics, or meaning of the information, is maintained in XML because that's what the tag set was designed to do.

Notes on notation

It's important to get some nomenclature straight. In Figure 1, you see a start tag, which begins an enclosed area of text, known as an Item, according to the tag name. As in HTML, XML tags may include a list of attributes (consisting of an attribute name and an attribute value.) The Item defined by the tag ends with the end tag.

Not every tag encloses text. In HTML, the

tag means "line break" and contains no text. In XML, such elements aren't allowed. Instead, XML has empty tags, denoted by a slash before the final right-angle bracket in the tag. Figure 2 shows an empty tag from our XML recipe. Note that empty tags may have attributes. This empty tag example is standard XML shorthand for .

In addition to these notational differences from HTML, the structural rules of XML are more strict. Every XML document must be well-formed. What does that mean? Read on!

Ooh-la-la! Well-formed XML

The concept of well-formedness comes from mathematics: It's possible to write mathematical expressions that don't mean anything. For example, the expression

2 ( + + 5 (=) 9 > 7

looks (sort of) like math, but it isn't math because it doesn't follow the notational and structural rules for a mathematical expression (not on this planet, at least). In other words, the "expression" above isn't well-formed. Mathematical expressions must be well-formed before you can do anything useful with them, because expressions that aren't well-formed are meaningless.

A well-formed XML document is simply one that follows all of the notational and structural rules for XML. Programs that intend to process XML should reject any input XML that doesn't follow the rules for being well-formed. The most important of these rules are as follows:

  • No unclosed tags

    You can get away with all kinds of wacko stuff in HTML. For example, in most HTML browsers, you can "open" a list item with

  • and never "close" it with
  • . The browser just figures out where the would be and automatically inserts it for you. XML doesn't allow this kind of sloppiness. Every start tag must have a corresponding end tag. This is because part of the information in an XML file has to do with how different elements of information relate to one another, and if the structure is ambiguous, so is the information. So, XML simply doesn't allow ambiguous structure. This nonambiguous structure also allows XML documents to be processed as data structures (trees), as I'll explain shortly in the discussion of the Document Object Model.

  • No overlapping tags

    A tag that opens inside another tag must close before the containing tag closes. For example, the sequence

    Let's call the whole thing off

    isn't well-formed because opens inside of but doesn't close inside of . The correct sequence must be

    Let's call the whole thing off

    In other words, the structure of the document must be strictly hierarchical.

  • Attribute values must be enclosed in quotes

    Unlike HTML, XML doesn't allow "naked" attribute values (i.e., HTML tags like

    , where there are no quotes around the attribute value). Every attribute value must have quotes (

  • The text characters (), and (") must always be represented by 'character entities'

    To represent these three characters (left-angle bracket, right-angle bracket, and double quotes) in the text part of the XML (not in the markup), you must use the special character entities (

    <

    ), (

    >

    ), and (

    "

    ), respectively. These characters are special characters for XML. An XML file using, say, the double quote character in the text enclosed in tags in an XML file isn't well-formed, and correctly designed XML parsers will produce an error for such input.

  • 'Well-formed' means 'parsable'

    A generic XML parser is a program or class that can read any well-formed XML at its input. Many vendors now offer XML parsers in Java for free; (you'll find links to these packages in Resources at the bottom of this article). XML parsers recognize well-formed documents and produce error messages (much like a compiler would) when they receive input that isn't well-formed. As we'll see, this functionality is very handy for the programmer: You simply call the parser you've selected and it takes care of the error detection and so on. While all XML parsers check the well-formedness of documents (meaning, as we've seen, that all the tags make sense, are nested properly, and so on), validating XML parsers go one step further. Validating parsers also confirm whether the document is valid; that is, that the structure and number of tags make sense.

    For example, most browsers will display a document that (nonsensically) has two elements, but how can this be? Only one title or no title makes sense.

    For another example, imagine that in Listing 3 the "cottage cheese" ingredient looked like this:

      500 9 Cottage cheese  

    This XML document is certainly well-formed, but it doesn't make sense. It isn't structurally valid. It is nonsense for a to contain a <Qty>. What's the of this ?

    The problem is, we have a document that's well-formed, but it isn't very useful because the XML doesn't make sense. We need a way to specify what makes an XML document valid. For example, how can we specify that a tag may contain only text (and not any other elements) and report as errors any other case?

    The answer to this question lies in something called the document type definition, which we'll look at next.





    ). #####