第一章 XML的发展背景

    XML是W3C在1996年底提出的标准，是从SGML衍生出来的简化格式，也是一种元语言（meta-language），可以用来定义任何一种新的标示语言。XML的制定是为了补HTML的不足，使得在Web上能够传输、处理各类复杂的文件，它舍去了SGML复杂不常用及不利于在Web传送的选项功能，让使用者可以很容易地定义属于自己的文件型态，程序设计师也能在更短的时间开发XML相关应用程序。XML1.0 Recommendation于1998年2月公布，相关标准目前仍在发展之中，XML的发展获得了各界的支持，其中包括了Sun Microsystesms, Microsoft, Netscape, Adobe, ArborText...等软件大厂。

XML的发展背景主要是因为HTML的诸多限制已经影响了Web的发展，XML的发展成员大都对SGML及结构化的信息（structured information）有相当丰富的应用经验，他们相信引进SGML技术，能够弥补HTML的不足，对Web的发展能有以下几个方面的贡献：

1.电子数据交换（EDI）：

结构化信息的一个主要应用是资料交换，不同的领域可以针对领域的特性制定共同的信息内容模型（content model），并以这个共同的内容模型来标示信息，如此可以促使同领域的信息可以更容易且更有效率地交换，这个共同的内容模型，我们称之为DTD。无疑地，Web是理想的电子数据交换的媒介，但HTML并非理想的数据交换格式，也难以充分地表现各种信息内容模型与语意结构，而XML所要提供的正是一套可以在Web上承载各种结构化信息的框架。

2.与Java技术更紧密结合：

Java技术的出现使得浏览器能成为通用的应用系统平台，但HTML固定的标签集及不擅长描述语义的特性，使得Java程序没有太大的发挥空间，而XML正好可以给予Java程序大显身手的环境，以XML做为各种结构化信息的标准格式，搭配上Java程序，可以使得应用程序大部分的运算得以在客户端执行，这和目前大部分的Web-based应用程序主要透过伺服端的CGI scripts来完成大部分的运算是相反的模式。借着XML与Java技术的结合，将应用程序的运算从伺服端移到客户端来，有助于降低网络的流量与增加网络的速度。

3.携带平台独立（platform-independent）信息：

    HTML与XML的始祖SGML提供了一套能够指定信息的结构与语义的语法规则，而且具备了平台独立性。不像Microsoft的RTF、Adobe的PostScript以及其它专属性的文件格式，SGML所提供的是一套具备平台独立性与系统独立性的语法规则。

第二章 Well-formed XML与 Valid XML

 XML文件有两种型式，一种称为Well-formed XML，另一种称为Valid XML，两者最大的差异为是否有DTD。Well-formed XML能够让使用者在Web上跨越HTML只有固定标签集（tag set）的限制，自行定义所需要的标签。Well-formed XML不像SGML与Valid XML一般，要使用自行定义的标签必须先在DTD中以严谨的语法进行宣告，而是可以直接使用。能够依据应用程序开发的需要自行定义标签，使得Web文件的处理与设计上有更大的弹性与更好的控制。

 Well-formedness是XML所提出来的新概念，一份Well-formed XML文件可以很容易被计算机所读取，并在网络上传送。Well-formed文件必须遵守以下几条规则：

包含一个以上的元素（elements）。

恰有一个根元素（root），不出现在其它元素的内容之中。

所有的元素都有起始卷标与结束卷标，也就是卷标必须成对。

所有的标签必须呈现适当的巢状（nest）结构。

空卷标（empty tags）必须遵守特殊的XML语法。（如<empty/>）

所有的属性值都必须括上单引号或双引号。

所有的实体（entity）都必须宣告。

1.撰写Well-formed XML文件的步骤：

1.1.撰写XML宣告（XML declaration）

XML宣告的目的是让人在阅读时或机器在解译时能识别这是一份XML文件，尤其避免与SGML文件与HTML文件混淆。XML宣告包含了标示语言（markup language）、标示语言版本、是否呼叫外部文件及字集编码（character encoding）等信息。以下是几个Well-formed XML文件的宣告实例，第1个实例是所有的Well-formed XML文件所使用宣告；第2个实例只是第1个实例的简略写法；第3、第4个实例则指明了文件所采用的字集编码标准。

    下表列出了XML宣告的语法符号及保留字所代表的意义：

1.2.订定一个根元素（root element）：

    每一份XML文件都以一个根元素来包含所有其它的元素，以电子邮件为例，其文件结构树形图如下：

    Email是根元素，包含了From, Date, To, Body, Attachment等子元素。通常根元素的命名被用来代表文件的类型。大家所熟悉的HTML文件，其根元素就被命名为html。

    一份Well-formed XML文件应该有如下的型式：

1.3.撰写XML文件实例：

    根据文件的类型订定根元素之后，接着就可以开始标示文件的内容，虽然Well-formed XML的元素不需透过DTD来宣告，不过在开始标示文件之前，最好还是先画出文件结构的树形图，亦即元素间的关系图。在元素的命名方面尽量使用有意义、易于理解的名称，以增加文件的可读性。

    下面是一份已标示的Well-formed XML文件实例，所使用的卷标名称很容易看出所代表的意义。

1.4.剖析（parse）Well-formed XML文件：

    完成文件的标示工作之后，接下来就是检查这份XML文件是否符合Well-formed XML的语法规则。以人工逐行检查是一种方法，不过太没有效率，也容易有所疏漏。检查XML文件是否具备Well-formedness的最好方法是利用XML剖析器（parser），它可以检查出XML文件的语法错误。目前在网络上有各种免费的XML parser可以下载，Micorsoft Internet Explorer 5.0浏览器内建了一个XML剖析器，图1与图2分别是以其来浏览一份正确与一份有语法错误的XML文件所得到的结果。事实上XML文件必须搭配样式表（style sheet）才能呈现，Micorsoft Internet Explorer 5.0浏览器能够呈现纯粹的XML文件，是因为内建了XML的预设样式。

图1：一份正确的Well-formed XML文件在Microsoft Internet Explorer 5.0 的浏览结果

图2：一份有语法错误的XML文件在Microsoft Internet Explorer 5.0 的浏览结果

2.撰写Valid XML文件的步骤：

2.1.撰写XML宣告（XML declaration）：

    Valid XML文件所参照的DTD可以放在文件内部，也可以是另一份外部文件。DTD如果放在文件内部，所使用的XML宣告如下：

        <?xml version=”1.0” standalone=”yes”?>

DTD如果是另一份外部文件，则所使用的XML宣告如下：

        <?xml version=”1.0” standalone=”no”?>

2.2.设计DTD：

    采用Email为例子来设计其DTD，下面是电子邮件的XML DTD。

    










XML文件的结构定义在DTD之中，DTD通常包含了元素宣告与属性宣告：

一、元素（Element）宣告：

    XML文件的语意结构是透过DTD的元素宣告来定义，电子邮件的文件结构在DTD中以下面的元素宣告来表示：

<!ELEMENT Email (From,Date,To+,Subject,Body?,Attchment?)>

    下表是上述元素宣告的语法说明：

    元素的内容模式（content model），除了定义所包含的子元素外，也定义每个子元素可出现的次数及出现的顺序关系。内容模式的语法如下表：

    如果元素的内容并没有包含任何子元素，只有包含纯粹的文字数据，其元素内容以 #PCDATA来表示，如下面的元素宣告：

<!ELEMENT From (#PCDATA)>

二、属性（Attribute）宣告：

     每个元素可以有一个以上的选择性或强制性的属性，用来描述元素的某种特性。属性必须在起始卷标中指定，而所有可能的值及默认值则在DTD中定义。如下例：

<!ATTLIST To …..

                  group  (coworkers | family | friends)  “coworkers”>

    上述属性宣告的语法说明如下表：

     如果Element没有对应的Attirbute叙述，表示该Element不具有任何属性。

（一）     撰写Valid XML文件实例：

    利用前述的XML DTD就可以写一份电子邮件的Valid XML文件，下面是一份引用外部DTD的Valid XML文件

以下则是一份引用内部DTD的Valid XML文件。

（二）   剖析（parse）Valid XML文件：

    所有的XML文件都必须符合Well-formedness，包括Well-formed XML文件与Valid XML文件。因此完成Valid XML文件的标示工作之后，接着要做的是先检查这份XML文件是否符合Well-formed XML的语法规则，在前面我们已经介绍过检查的方法了。Valid XML除了必须符合Well-formedness外，也需符合DTD所定义的文件结构。XML的剖析器（parser）分为两类，一种称为非确认性（non-validating）剖析器，只能检查XML文件是否符合Well-formedness规则，无法依据DTD进行文件结构的确认，像Micorsoft Internet Explorer 5浏览器中所包含的XML剖析器就是一个非确认性（non-validating）剖析器，因此只要所浏览的XML文件符合了Well-formedness规则，就算文件的标示与DTD的结构不符，它也不会发现任何错误。另一类剖析器称谓可确认性（validating）剖析器，它除了检查XML文件是否符合Well-formedness规则，也可以依据DTD进行文件结构的确认。

3.XML编辑器：

    利用最简单的文字编辑器（text editor）即可撰写XML文件，不过每一对起始卷标与结尾卷标都必须自行键入。撰写XML文件较便利的方法是利用专门的XML编辑器，它可以让你定义元素名称、属性名称或实体名称，在编辑XML文件时，它以一个清楚易读的编排格式，让你能更容易地输入XML宣告、样式表类别与路径、DTD的路径及每个元素、属性的值，帮你产生起始卷标与结尾卷标。

    不同的XML编辑器功能不一，除了最基本编辑的功能外，有的只能检查是

否符合Well-formedness，而不能依据DTD来作文件结构的确认；有的则可依据DTD来作文件结构的确认；在中文码的支持方面，有的可以全面支持Big5中文码，有的只有XML文件的内容部分才可以使用Big5中文码，有的则完全不支持Big5中文码。

    下图是Microsoft公司的产品XML Notepad Beta 1.5，它只允许元素的内容使用Big5中文码，标签与批注的部分都不支持Big5，这个版本也不支持以DTD来进行文件结构的确认。

第三章 XML与HTML在特性上的不同：

大部分的人都听过HTML，透过XML与HTML的比较来原本就熟悉HTML的人来说，是学习XML的好方法。XML与HTML是不同层级的标示技术，HTML是一种特定的标示语言，包含了一组标准的元素集（element set），元素用来指示特定的文字片段在文件中所扮演的角色，每一个元素都有标准的意义。例如：<H1>与</H1>在HTML文件中的意义是最重要的标题（heading）。除了HTML之外，还有很多种特定的标示语言，例如航空产业针对飞行器维护手册制定了一个标示语言称为ATA-2100，半导体产业针对电路数据制定了一个标示语言称为PCIS，计算机产业针对软件文件订了一个标示语言称为DocBook。这些特定的标示语言都有以下共同点：

●都定义了一组标签集（tag set），每个标签都有标准的意义及标准的使用规则，也就是有标准的文法（grammer）。

●都是为了某类型的文件或数据专门设计的。

●都使用文字处理（text processing）国际标准SGML来定义它们的标签集与文法。

XML继承了SGML的可扩展性（extensibility）、结构性（structure）与可确认性（validation），这三点也是XML与HTML在特性上最重要的不同，说明如下：

1.XML与HTML语法比较：

1.1.XML文件必须遵守阶层的元素结构（hierarchical element structure）：

XML文件每一个起始标签都要有对应的结束卷标，成对的起始卷标与结束卷标就称为元素。每一元素都必须巢状包覆（nested within）在另一个元素之内。例如：

<LI>HTML allows <B><I>improper nesting</B></I>

上面是一段HTML原始码，但B、I并没有巢状包覆的关系，且LI没有结束标签，所以不符合XML的语法规则。

<LI>XML required <B><I>proper nesting</I></B>

上面这个例子则符合XML的语法规则，I巢状包覆在B之内，且每一个元素都有成对的起始卷标与结束卷标。

1.2.XML与HTML对于空元素（Empty elements）的表示方式不同：

和HTML一样，XML也允许元素是空元素，所谓空元素的意思是元素的起始卷标与结束卷标是同一个。XML对于空元素的表示方法和HTML不同，必须在元素型别名称之后加上斜线（slash）。例如：下面这一段HTML原始码中，<BR>是一个空元素。

<LI>This is a HTML <BR>empty tag.</LI>

以XML的语法规则，必须表示如下：

<LI> This is a XML <BR/>empty tag.</LI>

XML这样规定的目的是使XML处理器（processor）读到 “/>” 便知道这是一个空元素，就不用再往下找结束标签了。在HTML中，HTML处理器之所以知道 <BR> 是一个空元素，是因为HTML的标签集是预先定义好的；而XML允许使用者自行定义标签，因此必须有特殊的语法来表示空元素，XML处理器才不至于搞混。

1.3.XML所有的属性值（attribute value）必须以引号（quotes）夹住：

 HTML除了包含空白的属性值必须以引号夹住外，其余的情况可以省略引号；而XML所有的属性值（attribute value）都必须以引号（quotes）夹住。例如：

<FONT color=#FF0000>HTML attribute value</FONT>

 以上是一段合法的HTML原始码，属性值没有用引号夹住，不符合XML的语法规则。

<FONT color=”#FF0000”>XML attribute value</FONT>

 上面这个例子符合XML的语法规则，属性值必须用单引号或双引号夹住。

1.4.XML标签大小写有区别（case-sentitive）：

HTML卷标大小写是一样的，XML标签大小写则有区别。例如：

<H1>HTML is not case-sensitive, XML is.</h1>

以上是一段合法的HTML原始码，在HTML中，H1与h1是相同的标签；但在XML中，H1与h1则是不同的标签。上面的HTML原始码若以XML的语法来写，就得写成

<H1>HTML is not case-sensitive, XML is.</H1>

1.5.XML与HTML对空白（white space）的处理方式不同：

 HTML除了PRE元素内的连续空白有效外，其余的连续空白都会被视为只有一个空格符。HTML的空白包括了ASCII space（&#x0020）、ASCII tab（&#x0009）、ASCII form feed（&#x000C）、Zero-width space（&#x200B）以及 Line breaks，这里的 &#x 表示Unicode的十六进制。而由于XML主要是用来装载数据，因此在XML卷标之间的空白都是有效的，但在卷标本身及属性值的引号之间的空白是无效的。例如：

(1)<desc lan=”English”>XML white space handling</desc>

(2)<desc lan=”English”>XML white space handling</desc>

(3)<desc lan=”English”>XML   white space   handling</desc>

以上三段XML原始码，(1)与(2)是相同的，但(3)与(1)(2)则不同。

1.6.XML文件只能有一个根元素（root element）：

这个限制使得XML剖析器较容易确认文件已经结束了。

1.7.XML允许指定不同的字集编码（character set encoding）：

    XML的字集编码是在<?xml?>宣告中指定，例如：

<?xml version=”1.0” encoding=”UTF-8”>

上面的例子表示这份XML文件以UTF-8编码。所有符合XML规格的软件工具一定都支持ISO 10646字集，ISO 10646是一组庞大的字集，其中包含了Big5中文码及GB2312中文码中所有的字。ISO 10646包含了几种编码方式：UTF-8是8 bit的，UTF-16是16-bit的，Unicode就是UTF-16的形式。

1.8.XML的特别保留字符（special reserved characters）：

有一些字符本身就是XML语法结构的一部份，若要在XML文件中使用这些字符必须使用替代的表示法，XML使用预先定义的实体（predefined entity）来替代这些字符，如下表：

上表中前四个字符在HTML中也使用同样的替代表示法，在HTML中称为字符实体参引（character entity references）。

2.如何将HTML文件转换成Well-formed XML文件：

 要将现有的HTML文件转换成XML文件，首先要先使文件具备Well-formedness，除了要在文件的开头加上XML宣告外（<?xml version=”1.0”?>），可以依循下列四个转换步骤。

2.1.将所有的卷标转换成适当的巢状结构：

 HTML的起始卷标与结束卷标在使用上，有时会被当作切换（switch on and off）的工具，其实这是不好的观念，这会使得标签出现交错的情况，例如下面不是一段合法的XML code，因为标签有交错的情况。

    <b><i>bold italic font</b>italic font</i>

必须修改成有适当的巢状结构才符合XML的语法，如下：

    <b><i>bold italic font</i></b><i>italic font</i>

2.2.使每个元素都有有起始卷标与结束卷标：

 SGML允许省略标签，只要在DTD中宣告该元素的卷标可以省略即可。在HTML 4.0 DTD中，许多标签都是允许省略的，如元素 p, ul, …的结束卷标，甚至连元素 html, body 的起始与结尾标签都可以省略。要将HTML文件转成XML文件，必须将所有省略的标签都补上。

2.3.将所有的属性值都加上单引号或双引号：

 在HTML中，属性值的引号有时会省略，特别是数字型态的属性值，在XML文件中任何型态的属性值都必须加上单引号或双引号。在HTML中，如果属性只有一种可能的值，甚至可能省略属性的名称，直接写入属性值。如 <ul compact>，在XML中必须写成 <ul compact=”compact”>。

2.4.将空元素（empty）转换成XML的格式：

    XML对于空元素的表示有特别的格式，如下面是一段HTML原始码：

        <IMG ALIGN=”RIGHT SRC=”sample.gif”>

  在XML中必须表示如下：

        <IMG ALIGN=”RIGHT SRC=”sample.gif”/>

第四章 XML参考资源

W3C XML Resource http://www.w3.org/XML/

Robin Cover, The XML Cover Pages http://www.oasis-open.org/cover/

XML.com http://www.xml.com/

Microsoft XML Resource http://msdn.microsoft.com/xml/

IBM XML Resource http://www.ibm.com/developer/xml/

中研院电算中心 Chinese XML http://www.ascc.net/xml/