XML за абсолютно начинаещ

HTML и World Wide Web са навсякъде. Като пример за тяхната повсеместност отивам в Централна Америка за Великден тази година и ако искам, ще мога да сърфирам в мрежата, да чета електронната си поща и дори да правя онлайн банкиране от интернет кафенета в Антигуа Гватемала и град Белиз. (Не възнамерявам обаче, тъй като това ще отнеме време от среща, която имам с палмово дърво и кокосов орех, пълен с ром.)

И все пак, въпреки вездесъщието и популярността на HTML, той е силно ограничен в това, което може да направи. Добре е да разпространявате неформални документи, но HTML сега се използва, за да прави неща, за които никога не е бил предназначен. Опитът да проектирате тежки, гъвкави, оперативно съвместими системи за данни от HTML е като да се опитате да изградите самолетоносач с ножовки и поялници: инструментите (HTML и HTTP) просто не са на работа.

Добрата новина е, че много от ограниченията на HTML са преодолени в XML, разширяващият се език за маркиране. XML е лесно разбираем за всеки, който разбира HTML, но е много по-мощен. Повече от обикновен език за маркиране, XML е метаезик - език, използван за дефиниране на нови маркиращи езици. С XML можете да създадете език, създаден специално за вашето приложение или домейн.

XML ще допълва, вместо да заменя HTML. Докато HTML се използва за форматиране и показване на данни, XML представлява контекстуалното значение на данните.

Тази статия ще представи историята на езиците за маркиране и как е възникнал XML. Ще разгледаме примерни данни в HTML и ще преминем постепенно към XML, демонстрирайки защо те предлагат превъзходен начин за представяне на данни. Ще проучим причините, поради които може да се наложи да измислите персонализиран език за маркиране, и ще ви науча как да го направите. Ще разгледаме основите на XML нотация и как да покажем XML с два различни вида езици на стилове. След това ще се потопим в Document Object Model, мощен инструмент за манипулиране на документи като обекти (или манипулиране на обектни структури като документи, в зависимост от това как го гледате). Ще разгледаме как да напишем Java програми, които извличат информация от XML документи, с указател към безплатна програма, полезна за експериментиране с тези нови концепции. И накрая, ниеЩе разгледам интернет компания, която базира своята основна технологична стратегия на XML и Java.

XML за вас ли е?

Въпреки че тази статия е написана за всеки, който се интересува от XML, тя има специална връзка със серията JavaWorld на XML JavaBeans. (Вижте Ресурси за връзки към свързани статии.) Ако сте чели тази поредица и не сте съвсем „разбрали“, тази статия трябва да изясни как да използвате XML с боб. Ако са го получат, тази статия служи като идеален спътник парче на серията на XML JavaBeans, тъй като обхваща теми недокоснат в него. И ако сте един от малкото късметлии, които все още имат XML JavaBeans статии, които да очакват с нетърпение, препоръчвам ви първо да прочетете настоящата статия като уводен материал.

Бележка за Java

Има толкова много XML активност в компютърния свят, че дори статия с такава дължина може само да обели повърхността. И все пак, целият смисъл на тази статия е да ви даде контекста, от който се нуждаете, за да използвате XML в дизайна на вашата Java програма. Тази статия също така обхваща как XML работи със съществуващата уеб технология, тъй като много Java програмисти работят в такава среда.

XML отваря програмирането за Интернет и Java за преносима функционалност без браузър. XML освобождава интернет съдържанието от браузъра по същия начин, по който Java освобождава поведението на програмата от платформата. XML прави интернет съдържанието достъпно за реални приложения.

Java е отлична платформа за използване на XML, а XML е изключително представяне на данни за Java приложения. Ще посоча някои от силните страни на Java с XML, докато продължаваме.

Нека започнем с урок по история.

Произходът на езиците за маркиране

HTML, който всички знаем и обичаме (добре, и без това го знаем), първоначално е проектиран от Тим ​​Бърнърс-Лий от CERN ( Le Conseil Européen pour la Recherche Nucléaire или Европейската лаборатория за физика на частиците) в Женева, за да позволи на физиците ( и дори не-маниаци), за да общуват помежду си. HTML беше пуснат през декември 1990 г. в рамките на CERN и стана публично достъпен през лятото на 1991 г. за останалите от нас. CERN и Berners-Lee раздадоха спецификациите за HTML, HTTP и URL адреси, в добрата стара традиция на интернет споделяне и наслада.

Бърнърс-Лий дефинира HTML в SGML, стандартния генерализиран език за маркиране. SGML, подобно на XML, е метаезик - език, използван за дефиниране на други езици. Всеки така дефиниран език се нарича приложение на SGML. HTML е приложение на SGML.

SGML възниква от проучвания, проведени предимно в IBM върху представянето на текстови документи в края на 60-те години. IBM създаде GML ("General Markup Language"), предшественик на SGML, а през 1978 г. Американският национален институт по стандартизация (ANSI) създаде първата си версия на SGML. Първият стандарт е издаден през 1983 г., като проектът на стандарта е издаден през 1985 г., а първият стандарт е публикуван през 1986 г. Интересното е, че първият стандарт SGML е публикуван с помощта на система SGML, разработена от Андерс Берглунд в CERN, организацията, която виждали сме, давали са ни HTML и мрежата.

SGML се използва широко в големи индустрии и правителства като големи авиокосмически, автомобилни и телекомуникационни компании. SGML се използва като стандартен документ в Министерството на отбраната на САЩ и Службата за вътрешни приходи. (За читателите извън САЩ IRS са данъчните.)

Алберт Айнщайн каза, че всичко трябва да бъде възможно най-опростено и не по-просто. Причината SGML да не се намира на повече места е, че е изключително сложна и сложна. А HTML, който можете да намерите навсякъде, е много прост; за много приложения е твърде просто.

HTML: Всички форми и без съдържание

HTML е език, предназначен да "говори за" документи: заглавия, заглавия, надписи, шрифтове и т.н. Това е силно ориентирано към структурата на документите и презентацията.

Разбира се, художниците и хакерите са успели да направят чудеса с относително скучния инструмент, наречен HTML. Но HTML има сериозни недостатъци, които го правят лошо подходящ за проектиране на гъвкави, мощни, еволюционни информационни системи. Ето няколко от основните оплаквания:

  • HTML не може да се разширява

    Разширяем език за маркиране би позволил на разработчиците на приложения да дефинират персонализирани маркери за специфични за приложението ситуации. Освен ако не сте 600-килограмова горила (а може би дори и тогава), не можете да изисквате от всички производители на браузъри да прилагат всички маркери за маркиране, необходими за вашето приложение. И така, вие сте останали с това, което големите производители на браузъри или W3C (консорциумът на World Wide Web) ще ви предоставят. Това, от което се нуждаем, е език, който ни позволява да създаваме собствени маркери за маркиране, без да се налага да се обаждаме на производителя на браузъра.

  • HTML е много ориентиран към дисплея

    HTML е чудесен език за показване, освен ако не се нуждаете от много прецизно форматиране или контрол на трансформацията (в този случай мирише). HTML представлява смес от логическа структура на документа (заглавия, абзаци и други) с презентационни тагове (получер, подравняване на изображения и т.н.). Тъй като почти всички HTML тагове са свързани с това как да се показва информация в браузър, HTML е безполезен за други често срещани мрежови приложения - като репликация на данни или услуги за приложения. Нуждаем се от начин да обединим тези често срещани функции с дисплей, така че същият сървър, използван за сърфиране на данни, също може например да изпълнява корпоративни бизнес функции и да взаимодейства със стари системи.

  • HTML обикновено не може да се използва повторно

    Creating documents in word-processors and then exporting them as HTML is somewhat automated but still requires, at the very least, some tweaking of the output in order to achieve acceptable results. If the data from which the document was produced change, the entire HTML translation needs to be redone. Web sites that show the current weather around the globe, around the clock, usually handle this automatic reformatting very well. The content and the presentation style of the document are separated, because the system designers understand that their content (the temperatures, forecasts, and so on) changes constantly. What we need is a way to specify data presentation in terms of structure, so that when data are updated, the formatting can be "reapplied" consistently and easily.

  • 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: