Seminar : XML und Datenbanken Die Auszeichnungssprache XML Lutz GarsteckiJena, 27.Mai 2004

Seminar: XML und Datenbanken

Die Auszeichnungssprache XML

Lutz GarsteckiJena, 27.Mai 2004


Geschichtliche Entwicklung

• 1964 GML als erste moderne Auszeichnungssprache entwickelt

• 1986 SGML (Standard Generalized Markup Language) von ISO als Standard für Speicherung und Austausch v. Daten festgelegt (ISO 8879)

• 1996 begann W3C (WWW-Consortium) mit Entwicklung von XML (Extensible Markup Language)– sollte Mächtigkeit von SGML mit Akzeptanz von HTML verbinden

• Februar 1998 erklärt W3C XML 1.0 zu einer Empfehlung– formale Spezifikation und Grammatik in EBNF unter

http://www.w3c.org/TR/REC-xml

Was ist Markup und warum XML?• Markup

– Methode zur Übermittlung von Metadaten– MLs benutzen Literale und Tags um Metadaten zu beschreiben und von

eigentlichen Inhalt zu trennen

• Bei Entwicklung starker Bezug auf Spezifikation von SGML aber einfacher– zB. XML-Parser leichter zu erstellen, benutzt bereits existierende

Internet-Protokolle und –Anwendungen, bleibt aufwärtskompatibel

• Datenaustausch übers Internet mit XML– Offenes System– Weitgehend selbstdokumentierend– auch ohne vorhergehende Koordination

• basiert auf UCS (Universal Character Set)– definiert im Standard ISO/IEC 10646 (Unicode)


• Standard-API (Application Programming Interface) von W3C für XML entwickelt

• Unterstützung von Internationalisierung• alle bekannten und beliebten Features von HTML

– trotzdem kein Ersatz

• Obwohl hauptsächlich Daten selbst im Vordergrund, trotzdem Möglichkeiten der Darstellung– Stylesheets


„XML ist eine mächtige und elegante Art und Weise, wie man mit Daten umgeht, diese mit anderen austauschen kann und das alles

über die Grenzen von unterschiedlichen Betriebssystemen hinweg.“

Was ist Markup und warum XML? (2)

Syntax: Entity, Tag, Zeichen• Markup = Auszeichnung zur Beschreibung und Strukturierung des

Inhalts von XML-Dokumenten (XML-Entity)• Auszeichnung mittels Tags

– Abgrenzung einzelne Abschnitte des Inhalts, dienen als Referenzen auf Teile von Inhalt, können spezielle Anweisungen enthalten oder dienen als Kommentar für Autoren

• ! >>Groß- und Kleinschreibung (case sensitivity) da viel Wert auf Internationalisierung

• Zeichen: 16 bit und Unicode 2.1 Zeichensatz– entspricht ISO/IEC 10646


Syntax: Namen und Bezeichner• Fast alle Strukturen in XML tragen Namen• Alle XML-Namen oder Bezeichner müssen

mit Buchstaben, Unterstrich (_) oder Doppelpunkt (:) beginnen und

• Danach nur gültige Zeichen für Namen (name characters), d.h. Ziffern, Bindestrich und Punkt

• Doppelpunkt (:) sollte nicht benutzt werden, nur als Trennsymbol bei Namensräumen

• Zeichen nicht mehr auf ASCII-Zeichensatz beschränkt– z.B. Umlaute usw. für Markup verwendbar

• Zeichenketten, die mit xml, XML, ... beginnen nicht erlaubt – solche Namen nur für W3C reserviert

• Erlaubt: Auto, AUTO

• Nich gültig: -Auto, 320BMW, xmlData

• wieder gültig: _320BMW, _xmlData


Anatomie eines Dokuments

• Prolog (optional)

• Rumpf– mehrere Elemente, die

miteinander baumartig verschachtelt sind, können beliebige character data enthalten

• Epilog (optional)– Kommentare,

Verarbeitungsanweisungen, und/oder Leerstellen


Anatomie: Elemente• Grundbausteine eines Dokuments (andere Elemente, Zeichen,

Zeichenreferenzen, Entity-Referenzen, Verarbeitungsanweisungen, Kommentare und/oder CDATA-Abschnitte) = element content

• Konzept: Element als „Container“ – Ausnahme: Kommentare, PIs, Leerstellen

• werden durch Tags begrenzt (aus Name des Elementtyps)• Beginn mit Start-Tag und Ende mit End-Tag (zwingend)

• Bsp.: <Tagname> hier steht der Inhalt </Tagname> Vorsicht! Namen müssen korrespondieren, Groß-/Kleinschreibung

• Leeres-Element-Tag: haben keinerlei Inhalt– beispielsweise zum Hervorheben gewisser Stellen im Dokument – z.Bsp. Datei-Ende-Kennung <EOF char=“1A“/> )

<Punkt_1></Punkt_1> – oder abkürzende Mischform: <Punkt_1/>


Anatomie: Elementtypen• Jedes XML-Dokument muss baumartige Struktur haben• Jedes XML-Dokument darf nur einen Baum haben

– Ursprungsknoten = document entity oder document root– darf PIs und/oder Kommentare enthalten

• document root muss TB enthalten, dessen Wurzel das Dokument-Element ist– Elternelement; darf in keinem anderen Element auftreten– Wurzel des Element-Baums aber nicht document root

• Kind-Element: alle anderen Elemente im Dokument sind Nachfahren (Kinder) vom Dokument-Element– Eltern/Kind-Beziehung wichtiges Merkmal

• Jeder Elementtyp kann einen von 4 Inhaltstypen haben


– element content– mixed content

– empty content– character content

Anatomie: korrekte und falsche Schachtelung

• XML fordert strikt, dass Elemente korrekt geschachtelt sein müssen

• Korrekte Schachtelung– Beispiel: Buchtransport

zum Bücherladen• ein echter Karton kann ein Buch

nicht nur zum Teil enthalten• Buch kann nur in einem Karton

sein usw.

• Falsche Schachtelung– Beispiel: überlappende HTML-Elemente

in XML verboten


Text-Literale und Character Data

• Text-Literale dienen als Werte für Attribute, interne Entities und externe Bezeichner

– müssen von Begrenzern ( ‘ oder “ ) umschlossen sein• aber innerhalb der Literale darf jeweilige Begrenzer nicht auftauchen• sollte man beide brauchen, muss das Zeichen mit entity reference

(' bzw. ") geschützt werden

• Character Data: jeder Text, der nicht zum Markup gehört– dass heißt: Inhalt von Elementen oder die Werte von Attributen

• aber: & und < dienen als Begrenzungssymbole für Markup dürfen nicht ungeschützt in Texten auftauchen (Ausnahme: CDATA-Blöcke)

Schutz durch Benutzen der Entities (& bzw. <)


Attribute in XML• Oft will man Aussagen über den Inhalt von Elementen

machen (diese Infos sind aber nicht Teil des Inhalts selbst)

• Solche Informationen werden durch Attribute angegeben Name = ‘Wert‘ bzw. Name = “Wert“• Werte von Attributen sind immer Textliterale

– Achtung: in HTML auch numerische Werte zB. <IMG WIDTH=400 ...> oderunklar begrenzte Werte zB. <P ALIGN=LEFT> erlaubt.

in XML verboten !

• Inhalt eines Start-Tags oder eines Leere-Element-Tags jeweils nur eine Instanz eines Attribut-Namens erlaubt!

– <img src=“bild01.jpg“ src=“alternativBild.jpg“ nicht erlaubt

• Deswegen vereinfachte Handhabung von Attributen durch XML-Parser


Spezielle Attribute in XML

xml:space (Darstellung) Zur Beibehaltung von Text-Formatierungen

einschließlich aller Sonder- und Trennzeichen Was Anwendung dann tatsächlich tut, ist abhängig

vom Programmierer Attribut-Wert auf Element selbst und alle seine

Kinder angewendet Bei validierendem Parser nur Werte >>preserve<<

und >>default<< (DTD)


Zusätzlich:• Attribute mit festgelegter Bedeutung

- Weiterleiten von Mitteilungen an Applikation

• Nutzung der Syntax von XML-Namensräumen (xml : eigentlicher Name)

Jena, 27.Mai 2004 Lutz Garstecki

xml:lang (bei internationalen XML-Dok.)

zur Internationalisierung bei bidirektionalen semitischen Texten, Hinweise zur

Komposition asiatischer Schriftzeichen, lexikale Sortierreihenfolge von Zeichen, Rechtschreibprüfung,...

Bei validierendem Parser muss Attribut in DTD deklariert werden (wie alle anderen auch)

beschränkt auf: ISO 639 (zB. fr, ja),RFC 1766benutzerdefinierte (ISO 3166)

Anwendung wie bei xml-space; auch hier Anwendung nicht verpflichtet zur Auswertung oder Reaktion

Spezielle Attribute in XML (2)

Leerstellen und Trennzeichen (white spaces)

• Wichtiges linguistisches Konzept für natürliche und normale Sprachen

• In XML werden nur 4 Zeichen als Leerstellen bzw. Trennzeichen verwendet

• Regeln zur Handhabung sind sehr simpel:– alle Leerräume innerhalb des Dokumentes vom

Parser beachtet und an Anwendung unverändert weitergegeben

– Leeräume innerhalb von Tags und Werten von Attributen entfernt

• Bearbeitung der Anwendung überlassen– dass heißt, alle Behandlungen, die durch LF u./o.

CR impliziert wurden

Zeichencode(hex)/Beschreibung09 - HT (horr.Tabulator)10 - LF (Zeilenvorschub)0D - CR (Wagenrücklauf)20 - Leerzeichen (ASCII)

Tabulatoren nicht zu mehreren Leerzeichen expandiert (also als ein Zeichen behandelt)


Handhabung von Zeilenenden

• XML-Dokumente oft in Form einzelner Dateien abgespeichert– sie bestehen aus einzelnen „Zeilen“ Text

• Leerräume CR u. LF auch zur Markierung für Zeilenende (wie im ASCII-Zeichensatz)

• 3 gängige Kombinationen dieser 2 Zeichen zur Markierierung innerhalb von Dateien

– CR und LF (DOS, Windows)– LF allein (UNIX)– CR allein (MacOS)

• Zur Erleichterung der Erstellung von XML-Applikationen wandelt Parser jede Kombination in einfaches LF (line-feed) um, dass heißt, XML erzwingt ein Zeilenende, wie es bei UNIX üblich ist!


Zeichen- und Entity-Referenzen

Wie auch SGML und HTML bietet XML eine einfache Methode zur Codierung von Zeichen, die nicht im ASCII-Zeichensatz enthalten sind.

• Zeichenreferenzen: als Ersatz für literale Form, wenn diese die Spezifikation verletzen würde– repräsentieren druckbare Zeichen u. bestehen aus dezimalen

oder hexadezimalen Zahlen, die &# oder &#x davor haben– in XML hexadezimale Form bevorzugt, da Codierung in

Unicode auch hexadezimale Notation• Beispiel: © oder © im HTML-Browser ©

® oder im HTML-Browser ®


• Entity-Referenzen erlauben es, beliebige Textliterale in Elemente oder Attribut-Werte einzufügen oder bieten die Möglichkeit, symbolische Namen (mnemonics) für Zeichenreferenzen zu definieren

– &Name; wobei Name ein gültiger XML-Name sei muss– 5 Entities als integraler Bestandteil von XML definiert

(zum Schutz der Symbole aus dem XML-Markup):& < > ' "

• Beispiele: - AT&T = AT&T - "Jack's Auto" = “Jack‘s Auto“

– Außer diesen müssen alle Entity-Referenzen in der DTD eines Dokuments definiert werden, bevor man sie nutzen kann.

• Dabei kann DTD in separater Datei gespeichert =externe Teilmenge oder im Dokument selbst stehen = als Teil der <!DOCTYPE...>-deklaration = interne Teilmenge.

– Trifft Parser auf nichtdefinierte Referenz, wird Verarbeitung mit „fatal error“ abgebrochen!


Zeichen- und Entity-Referenzen (2)

Verarbeitungsanweisungen• Verarbeitungsanweisungen (PIs) bieten Mechanismus, um mit

dem Dokument Hinweise an die Anwendung weiterzugeben<? Ziel ... Anweisungen ... ?>

• Ziel der PI ist zwingend anzugeben, Name muss gültiger XML-Name sein (zur Bezeichnung einer Anwendung an die sich die Anweisungen richten)

• Anweisungen ist einfaches Text-Literal (außer: ?> alle Zeichen)• Viele Diskussionen über:

– Nachteile• Fehlende Unterstützung durch Browser• Möglichkeit der Bildung inkompatibler Anweisungen durch Regelmangel für Definition von

Pis

– und Vorteile• Schemataerweiterung• Dukumenterweiterung ohne Änderung von Überprüfungsmechanismus durch DTD• Einbettung von Anweisungen über Darstellung im Dokument selbst ohne Strukturänderung


Kommentare und CDATA-Blöcke• Kommentare: zum Protokollieren der Entwicklung des

Dokuments oder jede andere Art von Metadaten, die für Autor oder Leser wichtig sind, aber nicht zum Inhalt gehören.– können überall stehen, außer innerhalb vom Markup– im Kommentar, Entities nicht expandiert und Tags nicht interpretiert

 (belieb. Zeichen außer -- möglich)

• CDATA-Blöcke: Möglichkeit der Einbettung von Texten, welche Zeichen enthalten, die sonst als Markup interpretiert würden– <![CDATA [ . . . ]]>

• „ . . . “ können beliebige Zeichenketten sein, außer Textliteral „ ]]>“• aber: keine gute Möglichkeit zur Speicherung binärer Daten im Dokument

(Bytefolge „5D5D3E“ dürfte nicht enthalten sein)


Logische Struktur von DokumentenProlog:Jedes XML-Dokument beginnt mit Prolog - OPTIONAL

– Zeigt Beginn von XML-Daten an und beschreibt, welche Zeichenkodierung verwendet wird oder beinhaltet andere Infos, die für Parser oder Anwendung wichtig sind!

• XML-Deklaration– Jedes Dokument darf und sollte mit einer einzelnen XML-Deklaration

beginnen!– Wenn, dann als erstes im Dokument (keine Leerzeichen oder Kommentare

vorangestellt)!– erlaubt Anwendung einiger Optimierungen bei der Verarbeitung:

<?xml version=“1.0“ encoding=“UTF-8“ standalone=“yes“ ?> XML-Version Codierung yes or no

obligatorisch optional optional


Logische Struktur von DokumentenProlog:

• Deklaration des Dokumenttyps (Nicht verwechseln mit DTD!)– enthällt interne Teilmenge oder referenziert externe Teilmenge einer DTD– jedes gültige XML-Dokument muss Deklaration des Dokumenttyps enthalten

• Einfache, nur wohlgeformte Dokumente brauchen keine, solange im Dokument keine Entity-Referenzen außer 5 Standard-Entities auftauchen!

– Referenzen auf externe Teilmenge: Referenz mit Name als Einstiegspunkt

– Referenzen auf interne Teilmenge: Entity-Referenzen müssen in internerTeilmenge der DTD deklariert werden

– Deklaration erfolgt dann in Deklaration des Dokumenttyps (mit [...] drum)!!! Definition interne Teilmenge hat Vorrang !!!(Bei Überschneidung von interner und externer Teilmenge!)


Logische Struktur von DokumentenEpilog:• kann Kommentare, PIs und/oder Leerzeichen enthalten• Tim Bray: „Der Epilog in XML ist ein echter Designfehler“

nicht ohne driftigen Grund einen Epilog schreiben denn: XML-Dokument besitzt keine speziellen Kennzeichen für Dokumentende

• viele XML-Anwendungen nehmen den End-Tag des Dokument-Elements als Ende– Epilog könnte ignoriert werden (anwendungsspezifisch)– Verarbeitungsanweisungen zwischen 2 Dokumenten

können allenfalls mehrdeutig sein


Ein wohlgeformtes XML-Dokument

• ... ist ein XML-Dokument, das der Spezifikation und der darin festgelegten Syntax entspricht

• auch ohne DTD oder Schema, welches die Struktur beschreibt „standalone document“– können sich dann aber nicht auf externe Deklaration stützen– Attributwerte werden nicht besonders behandelt und bekommen keine

Default-Werte zugewiesen• Eigenschaften:- korrekte Schachtelung der Elemente

- alle Elemente zusammen bilden einfachen Elementbaum- einzige direkte Relation zwischen 2 Elementen ist Kind-/Eltern-Beziehung

• Wenn Parser Konstrukt entdeckt, dass Bedingung der „Wohlgeformtheit“ widerspricht „fatal error“ an die Anwendung


XML-Parser• 2 Typen von XML-Prozessoren (Parser)

- nicht validierend (Prüfung nur auf Wohlgeformtheit)- validierend (verwendet auch DTDs, um zu prüfen, ob

Dokument in Form und Inhalt „gültig“ ist)

• Um Handhabung der XML-Daten aus Anwendung heraus zu erleichtern (z.Bsp. Symbole, die Zeilenende oder Dateiende markeieren, sind abhängig vom Betriebssystem Parser reduziert alle Markierungen für Zeilenende auf LF; Weitergabe aller Leerzeichen an Anwendung; Auflösung aller Zeichenreferenzen, sowie sie in interner oder externer Deklaration definiert sind; Normalisierung aller Attributwerte vor Weitergabe an Anwendung)

• 2 Ansätze, Parser zu definieren– ereignisgesteuert, baumorientiert - wobei beide ihre Vorteile haben

Lutz GarsteckiJena, 27.Mai 2004 Ende

Documents

Seminar : XML und Datenbanken Die Auszeichnungssprache XML Lutz GarsteckiJena, 27.Mai 2004