Fernando Alonso Blázquez
XML
(eXtensible Mark-up Language)
27 de Mayo de 2004
Índice
•Introducción
–¿Qué es XML?
–Ventajas de XML
•Construyendo documentos XML
–Estructura jerárquica de elementos
–Algunas normas
–El prólogo
–Elementos
–Atributos
–Secciones CDATA
–Comentarios
•SAX2 API
Introducción
•Webs de asignaturas de la Escuela
•Intercambio de Información B2B
•Almacenamiento de Información
–Producción automática de Libros, Artículos,Manuales...
•Explotación de los Metadatos
–Keywords, Indexing, Annotations,Interdocument linking...
¿Qué es XML?
•Es un subconjunto de SGML (StandardGeneralized Mark-up Language),simplificado y adaptado a Internet
•XML (eXtensible Mark-up Language) no esun lenguaje de marcado
•XML es un meta-lenguaje que permitedefinir lenguajes de marcado adecuados ausos determinados
<libro>
<autor>Antonio Muñoz Molina</autor>
<titulo>El Jinete Polaco</titulo>
<precio moneda=“EURO”>20</precio>
</libro>
Ventajas de XML
•Procesable por humanos y por software
•Separa la información o el contenido desu presentación o formato
•Ideal para transacciones B2B
•Permite poderosas técnicas de extracciónde información y data-mining
•Fácil análisis sintáctico
Construyendo documentos XML
•El elemento y sus atributos
<autor pais=“ES”>Antonio Muñoz Molina</autor>
•XML “bien-formado” (well-formed)
–Cumple una serie de reglas descritas en laespecificación oficial de XML v1.0
–World Wide Web Consortium (W3C)
Nombre del elemento
Nombre del atributo
Valor del atributo
Contenido del elemento
Etiqueta de fin
Estructura jerárquica de elementos
•Los elementos deben seguir una estructurade “árbol”, es decir, estríctamentejeráquica
•Los elementos deben estar correctamenteanidados
•Los elementos no se pueden superponerentre ellos
•Sólo puede haber un elemento raíz, en elque están contenidos todos los demás
XML erróneo
<nombre>Topacio Jade<email>
</nombre>topacio.jade@mail.com</email>
Estructura jerárquica de elementos
mensaje
remitente
destinatario
asunto: Informe de ventas
texto
nombre: Topacio Jade
email: topacio.jade@mail.com
nombre: Esmeralda Turquesa
email: eturquesa@gmail.com
parrafo: Ya esta acabado el informe.
parrafo: Lo he dejado en el servidor deldepartamento.
Estructura jerárquica de elementos
<?xml version="1.0" encoding="UTF-7"?>
<!DOCTYPE mensaje SYSTEM “mensaje.dtd”>
<mensaje>
<remitente>
<nombre>Topacio Jade</nombre>
<email>topacio.jade@mail.com</email>
</remitente>
<destinatario>
<nombre>Esmeralda Turquesa</nombre>
<email>eturquesa@gmai.com</email>
</destinatario>
<asunto>Informe de ventas</asunto>
<texto>
<parrafo> Ya esta acabado el informe.</parrafo>
<parrafo> Lo he dejado en el servidor deldepartamento.
</parrafo>
</texto>
</mensaje>
Algunas normas
•Todas las etiquetas tienen que estardebidamente “cerradas”
–etiqueta de cierre que se corresponda con la deapertura
•Las etiquetas sin contenido tienen unasintaxis especial
<animal> Perro
<raza tipo="Cocker Spaniel">
<animal> Vaca
<raza tipo="Holstein">
<animal> Perro
<raza tipo="Cocker Spaniel">
</animal>
<animal> Vaca
<raza tipo="Holstein">
</animal>
<animal> Perro
<raza tipo="Cocker Spaniel" />
</animal>
<animal> Vaca
<raza tipo="Holstein" />
</animal>
Algunas normas
•Un nombre de elemento, atributo,entidad, etc., debe empezar siempre poruna letra.
•Las letras “XML” (o “xml” o “xMl”,etc.) nopueden usarse como caracteres inicialesde un nombre de elemento, atributo, etc.
•XML es “case-sensitive”: <autor><Autor>
•El uso del espacio en blanco y los saltos delínea sólo se tienen en cuenta cuandoaparecen en el valor de un atributo, ocuando se indica su significancia.
Marcado y datos
•Las construcciones como etiquetas,referencias de entidad y declaraciones sedenominan “marcas” (mark-up) y son laspartes que el analizador sintáctico (parser)espera comprender
•El resto del documento, que se encuentraentre las “marcas”, son los datos queresultan entendibles por las personas
•Marcas en un documento XML son aquellasque comienzan con “<“ y terminan con “>”
•En el caso de referencias de entidad, elcarácter inicial es “&” y el final “;”
El prólogo
•Es opcional
•La primera línea permite especificar:
–La versión de XML (de momento sólo 1.0)
–La codificación de carácter (US-ASCII, UTF-8,UTF-7, UCS-2, EUC-JP, Big5, ISO-8859-1, etc.)
•La segunda línea define el tipo dedocumento, especificando qué DTD(Document Type Definitions) valida ydefine los datos que contiene
<?xml version="1.0" encoding="UTF-7”?>
<!DOCTYPE mensaje SYSTEM “mensaje.dtd”>
<?xml version="1.0" encoding=“ISO-8859-1”?>
<!DOCTYPE HTML PUBLIC “-/ /W3C/ /DTD HTML 3.2 Final/ /EN”>
<?xml version="1.0" encoding=“Big5”?>
Elementos
•Elementos con contenido
•Elementos vacíos
<nombre>Fulano Mengánez</nombre>
<aviso tipo=“emergencia” gravedad=“mortal”>
Que no cunda el pánico</aviso>
<identificador referencia=“1234567890”/>
<linea-horizontal/>
Atributos
•Manera de incorporar características opropiedades a los elementos
•Pueden estar marcados entre comillassimples (‘) o dobles (“)
•Un concepto se puede representar dediversas formas: consistencia
<verdura clase=“zanahoria” longitud=’15” y media’>
<cita texto=“’Hola, buenos días’, dijo él”>
<gato><nombre>Micifú</nombre><raza>Persa</raza></gato>
<gato raza=“Persa”>Micifú</gato>
<gato raza=“Persa” nombre=“Micifú”/>
Entidades predefinidas
•En XML 1.0 se definen cinco entidadespara representar caracteres especiales yque no se interpretan como marcado porel procesadr XML
Entidad
Caracter
&
&
<
<
>
>
'
‘
"
“
Secciones CDATA
•Construcción en XML que permiteespecificar datos, utilizando cualquiercarácter, especial o no, sin que seinterprete como marcado XML.
•La razón de esta construcción es que aveces es necesario para los autores dedocumentos XML, poder leerlo facilmentesin tener que descifrar los códigos deentidades. Especialmente cuando sonmuchas.
<ejemplo>
<HTML>
<HEAD><TITLE>Rock &ROLL</TITLE>
</HEAD>
</ejemplo>
<ejemplo>
<![CDATA[
<HTML>
<HEAD><TITLE>Rock & Roll</TITLE></HEAD>
]]>
</ejemplo>
Comentarios
•Insertados en el documento XML
•Ignorados por el procesado de la informacióny las reproducciones del documento
•Tienen el mismo formato que en HTML
–Comienzan por “<!--” y terminan con “-->”
•Se pueden introducir en cualquier lugar de lainstancia o del prólogo, pero nunca dentro delas declaraciones, etiquetas u otroscomentarios.
Fernando Alonso Blázquez
DTD
(Document Type Definition)
27 de Mayo de 2004
Índice
•Validación y definición de documentos
–DTD: Document Type Definition
•Declaraciones de tipo Elemento
–Modelos de contenido
•Declaraciones de lista de Atributos
–Tipos de Atributos
•Declaración de Entidades
Document Type Definition (DTD)
•Es como definir nuestro propio lenguaje demarcado para una aplicación específica
•Define los tipos de elementos, atributos yentidades permitidas, y puede expresaralgunas limitaciones para combinarlos
•Puede residir en un fichero externo y sercompartido por varios documentos XML.
•O bien puede estar contenido en el propiodocumento XML, como parte de sudeclaración de su prólogo.
•El documento XML que se ajusta a su DTD,se denomina “valido” ”bien-formado”
Ejemplos de DTD
<!DOCTYPE etiqueta [
<!ELEMENT etiqueta (nombre, calle, ciudad, pais, codigo)>
<!ELEMENT nombre (#PCDATA)>
<!ELEMENT calle (#PCDATA)>
<!ELEMENT ciudad (#PCDATA)>
<!ELEMENT pais (#PCDATA)>
<!ELEMENT codigo (#PCDATA)>
]>
<etiqueta>
<nombre>Topacio Jade</nombre>
<calle>Minas de Moria, 13</calle>
<ciudad>Azanulbizar</ciudad>
<pais>Khuzdul</pais>
<codigo>78125</codigo>
</etiqueta>
<!DOCTYPE coche SYSTEM “http://www.tecnun.es/coche.dtd”>
<coche>
<modelo>...</modelo>
...
</coche>
Declaraciones de tipo Elemento
•Deben empezar con “<!ELEMENT”seguidas por el identificador genérico delelemento que se declara
•A continuación tienen una especificacióndel contenido
•Ejemplo:
•<!ELEMENT receta (titulo, ingredientes, procedimiento)>
Documento XML válido de acuerdo al DTD anterior
<receta>
<titulo>Arroz cocido</titulo>
<ingredientes>Arroz</ingredientes>
<procedimiento>Cocer el arroz</procedimiento>
</receta>
Documento XML no válido
<receta>
<parrafo>La siguiente receta me la pasó Alvaro</parrafo>
<titulo>Arroz cocido</titulo>
<ingredientes>Arroz</ingredientes>
<procedimiento>Cocer el arroz</procedimiento>
</receta>
Especificación de contenido
•EMPTY: No tiene contenido.
<!ELEMENT linea-horizontal EMPTY>
•ANY: Puede tener cualquier contenido. Esmejor no usarla y estructurar adecuadamentelos documentos
<!ELEMENT batiburrillo ANY>
•Mixed: Puede tener caracteres o una mezclade caracteres y sub-elementos especificados
<!ELEMENT enfasis (#PCDATA)>
<!ELEMENT parrafo (#PCDATA|enfasis)*>
•Element: Sólo puede contener sub-elementosespecificados
<!ELEMENT mensaje (remite, texto)>
Modelos de contenido
•<!ELEMENT aviso (parrafo)>
–<aviso> sólo puede contener un <parrafo>
•<!ELEMENT aviso (titulo, parrafo>
–<aviso> debe contener un elemento <titulo>seguido de un elemento <parrafo>
•<!ELEMENT aviso (parrafo | grafico)>
–La barra vertical “|” indica opción. El número deopciones no está limitado y se pueden agruparusando paréntesis
•<!ELEMENT aviso (titulo, (parrafo | grafico))>
–<aviso> debe contener un <titulo> seguido de un<parrafo> o un <grafico>
Modelos de contenido
•Indicador de frecuencia
–Siguen directamente a un identificador general,una secuencia o una opción
–No pueden ir precedidos por espacios en blanco
<!ELEMENT aviso (titulo?, (parrafo+, grafico)*)>
Indicador
Frecuencia
?
Opcional (0 ó 1 vez)
*
Opcional y repetible
(0 ó más veces)
+
Necesario y repetible
(1 ó más veces)
Declaración de lista de Atributos
•Atributos
–Añaden información adicional a los elementos
–Sólo se pueden especificar una vez y en cualquierorden
–No pueden contener sub-atributos
•Declaración
–Empiezan con “<!ATTLIST”
–Identificador del elemento al que se aplica
–Nombre del atributo
–Tipo
–Valor por defecto
<mensaje prioridad=“urgente”>
<de>Topacio Jade</de>
<a>Esmeralda Turquesa</a>
<texto idioma=“español”>
Hay que preparar los informes de junio
</texto>
</mensaje>
<!ELEMENT mensaje (de, a, texto)>
<!ATTLIST mensaje prioridad (normal | urgente) normal>
<!ELEMENT texto (#PCDATA)>
<!ATTLIST texto idioma CDATA #REQUIRED>
Declaración de lista de Atributos
•#REQUIRED: Es obligatorio especificar elatributo. No tiene valor por defecto.
•#IMPLIED: Se puede omitir el atributo, sinque se adopte automáticamente un valor pordefecto
<!ATTLIST IMG URL CDATA #REQUIRED
ALT CDATE #IMPLIED>
Tipos de Atributos
•Atributos CDATA (character data): Puedencontener casi cualquier cosa
<!ATTLIST mensaje fecha CDATA #REQUIRED>
< mensaje fecha=“21 de Mayo de 2003”>
•Atributos enumerados: Sólo pueden contenerun valor de entre un número reducido deopciones
<!ATTLIST mensaje prioridad (normal | urgente) normal>
Tipos de Atributos
•Atributos ID e IDREF
–El tipo ID permite que un atributo determinadotenga un nombre único que podrá serreferenciado por un atributo de otro elementoque sea de tipo IDREF
–Permite implementar un sistema de hipervínculosen un documento XML
<!ELEMENT enlace EMPTY>
<!ATTLIST enlace destino IDREF #REQUIRED>
<!ELEMENT capitulo (parrafo)*>
<!ATTLIST capitulo referencia ID #IMPLIED>
Declaración de Entidades
•La Entidades se utilizan para hacerreferencia a objetos (ficheros, páginasWeb, imágenes,...) que no deben seranalizados sintácticamente según lasreglas de XML
•Se declaran mediante “<!ENTITY”
•Puede usarse para declarar unaabreviatura que se utiliza como una formamás corta de algunos textos
•En otras ocasiones es una referencias a unobjeto externo o local
Tipos de Entidades
•Las entidades pueden ser:
–Internas – Externas
–Analizadas o No analizadas
–Generales o Parámetro
•Entidades generales internas:
–Son básicamente abreviaturas definidas en lasección del DTD del documento XML
–Son siempre entidades analizadas
<!DOCTYPE texto[
<!ENTITY ovni “Objeto Volador No Identificado”>
]>
<texto>
<titulo> Durmiendo en clase, Topacio soñó con un &ovni;
</titulo>
</texto>
Tipos de Entidades
•Entidades generales externas analizadas
<!ENTITY intro SYSTEM “http://www.tecnun.es/intro.xml>
•Entidades no analizadas
<!ENTITY logo SYSTEM “http://www.tecnun.es/logo.gif>
•Entidades parámetro Internas
<!DOCTYPE texto[
<!ENTITY % elemento-alf “!ELEMENT ALF (#PCDATA)>”>
%elemento-alf; ]>
•Entidades parámetro Externas
<!DOCTYPE texto[
<!ENTITY % elemento-alf SYSTEM “alf.ent”>
...
%elemento-alf; ]>
Ejemplo de DTD
<?xml encoding=“UTF-7”?>
<!ELEMENT lista (persona)+>
<!ELEMENT persona (nombre, email*, relacion?)>
<!ATTLIST persona id ID #REQUIRED>
<!ATTLIST persona sexo (hombre | mujer) #IMPLIED>
<!ELEMENT nombre (#PCDATA)>
<!ELEMENT email (#PCDATA)>
<!ELEMENT relacion EMPTY>
<!ATTLIST relacion amigo-de IDREFS #IMPLIED
enemigo-de IDREFS #IMPLIED>
<?xml version=“1.0”?>
<!DOCTYPE lista SYSTEM “Lista.dtd”>
<lista>
<persona sexo=“hombre” id=“Topacio”>
<nombre>Topacio Jade</nombre>
<email>topacio.jade@mail.com</email>
<relacion amigo-de=“esmeralda”>
</persona>
<persona sexo=“mujer” id=“esmeralda”>
<nombre>Esmeralda Turquesa</nombre>
<email>eturquesa@gmail.com</email>
</persona>
</lista>