XML für den absoluten Anfänger

HTML und das World Wide Web sind überall. Als Beispiel für ihre Allgegenwart gehe ich dieses Jahr zu Ostern nach Mittelamerika. Wenn ich möchte, kann ich im Internet surfen, meine E-Mails lesen und sogar Online-Banking in Internetcafés in Antigua Guatemala und Belize City. (Ich habe jedoch nicht vor, da dies Zeit für ein Date mit einer Palme und einer mit Rum gefüllten Kokosnuss kosten würde.)

Trotz der Allgegenwart und Popularität von HTML ist die Leistungsfähigkeit von HTML stark eingeschränkt. Es ist in Ordnung, informelle Dokumente zu verbreiten, aber HTML wird jetzt verwendet, um Dinge zu tun, für die es nie entwickelt wurde. Der Versuch, leistungsstarke, flexible und interoperable Datensysteme aus HTML zu entwerfen, ist wie der Versuch, einen Flugzeugträger mit Bügelsägen und Lötkolben zu bauen: Die Tools (HTML und HTTP) sind einfach nicht für den Job geeignet.

Die gute Nachricht ist, dass viele der Einschränkungen von HTML in XML, der Extensible Markup Language, überwunden wurden. XML ist für jeden, der HTML versteht, leicht verständlich, aber viel leistungsfähiger. XML ist mehr als nur eine Auszeichnungssprache. Es ist eine Metasprache - eine Sprache, mit der neue Auszeichnungssprachen definiert werden. Mit XML können Sie eine Sprache erstellen, die speziell für Ihre Anwendung oder Domäne entwickelt wurde.

XML wird HTML eher ergänzen als ersetzen. Während HTML zum Formatieren und Anzeigen von Daten verwendet wird, repräsentiert XML die kontextbezogene Bedeutung der Daten.

In diesem Artikel wird die Geschichte der Auszeichnungssprachen und die Entstehung von XML vorgestellt. Wir werden uns Beispieldaten in HTML ansehen und schrittweise in XML übergehen, um zu demonstrieren, warum dies eine hervorragende Möglichkeit zur Darstellung von Daten bietet. Wir werden die Gründe untersuchen, die Sie möglicherweise benötigen, um eine benutzerdefinierte Auszeichnungssprache zu erfinden, und ich werde Ihnen beibringen, wie das geht. Wir werden die Grundlagen der XML-Notation und die Anzeige von XML mit zwei verschiedenen Arten von Stilsprachen behandeln. Anschließend werden wir uns mit dem Dokumentobjektmodell befassen, einem leistungsstarken Tool zum Bearbeiten von Dokumenten als Objekte (oder zum Bearbeiten von Objektstrukturen als Dokumente, je nachdem, wie Sie es betrachten). Wir werden uns mit dem Schreiben von Java-Programmen befassen, die Informationen aus XML-Dokumenten extrahieren, wobei ein Zeiger auf ein kostenloses Programm vorhanden ist, mit dem Sie mit diesen neuen Konzepten experimentieren können. Endlich haben wir'Werfen Sie einen Blick auf ein Internetunternehmen, das seine Kerntechnologiestrategie auf XML und Java basiert.

Ist XML für Sie?

Obwohl dieser Artikel für alle geschrieben wurde, die sich für XML interessieren, hat er eine besondere Beziehung zur JavaWorld- Reihe zu XML JavaBeans. (Links zu verwandten Artikeln finden Sie unter Ressourcen.) Wenn Sie diese Serie gelesen haben und sie nicht ganz verstehen, sollte in diesem Artikel erläutert werden, wie XML mit Beans verwendet wird. Wenn Sie es bekommen, dient dieser Artikel als perfekter Begleiter der XML JavaBeans-Reihe, da er darin unberührte Themen behandelt. Und wenn Sie zu den wenigen Glücklichen gehören, die sich noch auf die XML JavaBeans-Artikel freuen können, empfehle ich Ihnen, den vorliegenden Artikel zuerst als Einführungsmaterial zu lesen.

Ein Hinweis zu Java

In der Computerwelt gibt es in letzter Zeit so viele XML-Aktivitäten, dass selbst ein Artikel dieser Länge nur die Oberfläche überfliegen kann. In diesem Artikel geht es jedoch darum, Ihnen den Kontext zu geben, den Sie für die Verwendung von XML in Ihren Java-Programmdesigns benötigen. Dieser Artikel beschreibt auch, wie XML mit vorhandener Webtechnologie funktioniert, da viele Java-Programmierer in einer solchen Umgebung arbeiten.

XML öffnet die Internet- und Java-Programmierung für tragbare Nicht-Browser-Funktionen. XML befreit Internetinhalte vom Browser auf die gleiche Weise wie Java das Programmverhalten von der Plattform befreit. XML stellt Internetinhalte realen Anwendungen zur Verfügung.

Java ist eine hervorragende Plattform für die Verwendung von XML, und XML ist eine hervorragende Datendarstellung für Java-Anwendungen. Ich werde im weiteren Verlauf auf einige der Stärken von Java mit XML hinweisen.

Beginnen wir mit einer Geschichtsstunde.

Die Ursprünge von Markup-Sprachen

Der HTML-Code, den wir alle kennen und lieben ( na ja, den wir sowieso kennen), wurde ursprünglich von Tim Berners-Lee am CERN in Genf entworfen, um Physik-Nerds (Gen. und sogar Nicht-Nerds), um miteinander zu kommunizieren. HTML wurde im Dezember 1990 im CERN veröffentlicht und im Sommer 1991 für den Rest von uns öffentlich zugänglich gemacht. CERN und Berners-Lee gaben die Spezifikationen für HTML, HTTP und URLs in der guten alten Tradition des Internet-Share-and-Enjoy bekannt.

Berners-Lee definierte HTML in SGML, der Standard Generalized Markup Language. SGML ist wie XML eine Metasprache - eine Sprache, die zum Definieren anderer Sprachen verwendet wird. Jede so definierte Sprache wird als Anwendung von SGML bezeichnet. HTML ist eine Anwendung von SGML.

SGML entstand aus Untersuchungen, die Ende der 60er Jahre hauptsächlich bei IBM zur Darstellung von Textdokumenten durchgeführt wurden. IBM schuf GML ("General Markup Language"), eine Vorgängersprache von SGML, und 1978 schuf das American National Standards Institute (ANSI) seine erste Version von SGML. Der erste Standard wurde 1983 veröffentlicht, der Standardentwurf 1985, und der erste Standard wurde 1986 veröffentlicht. Interessanterweise wurde der erste SGML-Standard unter Verwendung eines SGML-Systems veröffentlicht, das von Anders Berglund am CERN entwickelt wurde Wir haben gesehen, gab uns HTML und das Web.

SGML wird häufig in großen Branchen und Regierungen eingesetzt, beispielsweise in großen Luft- und Raumfahrt-, Automobil- und Telekommunikationsunternehmen. SGML wird als Dokumentstandard beim US-Verteidigungsministerium und beim Internal Revenue Service verwendet. (Für Leser außerhalb der USA sind die IRS die Steuerbeamten.)

Albert Einstein sagte, alles sollte so einfach wie möglich und nicht einfacher gemacht werden. Der Grund, warum SGML nicht an mehr Orten gefunden wird, ist, dass es äußerst raffiniert und komplex ist. Und HTML, das Sie überall finden können, ist sehr einfach; Für viele Anwendungen ist es zu einfach.

HTML: Alle Form und keine Substanz

HTML ist eine Sprache, mit der Dokumente "besprochen" werden können: Überschriften, Titel, Beschriftungen, Schriftarten usw. Es ist stark dokumentenstruktur- und präsentationsorientiert.

Zugegeben, Künstler und Hacker konnten mit dem relativ langweiligen Tool HTML Wunder vollbringen. HTML weist jedoch schwerwiegende Nachteile auf, die es für die Entwicklung flexibler, leistungsfähiger und evolutionärer Informationssysteme schlecht geeignet machen. Hier einige der Hauptbeschwerden:

  • HTML ist nicht erweiterbar

    Eine erweiterbare Auszeichnungssprache würde es Anwendungsentwicklern ermöglichen, benutzerdefinierte Tags für anwendungsspezifische Situationen zu definieren. Wenn Sie kein 600-Pfund-Gorilla sind (und vielleicht auch dann nicht), können Sie nicht von allen Browserherstellern verlangen, alle für Ihre Anwendung erforderlichen Markup-Tags zu implementieren. Sie bleiben also bei dem, was die großen Browserhersteller oder das W3C (World Wide Web Consortium) Ihnen bieten werden. Was wir brauchen, ist eine Sprache, mit der wir unsere eigenen Markup-Tags erstellen können, ohne den Browserhersteller anrufen zu müssen.

  • HTML ist sehr anzeigezentriert

    HTML ist eine gute Sprache für Anzeigezwecke, es sei denn, Sie benötigen viel präzise Formatierungs- oder Transformationssteuerung (in diesem Fall stinkt es). HTML stellt eine Mischung aus logischer Dokumentstruktur (Titel, Absätze usw.) mit Präsentations-Tags (Fettdruck, Bildausrichtung usw.) dar. Da fast alle HTML-Tags mit der Anzeige von Informationen in einem Browser zu tun haben, ist HTML für andere gängige Netzwerkanwendungen wie Datenreplikation oder Anwendungsdienste unbrauchbar. Wir brauchen eine Möglichkeit, diese allgemeinen Funktionen mit der Anzeige zu vereinheitlichen, damit derselbe Server, auf dem Daten durchsucht werden, beispielsweise auch Unternehmensgeschäftsfunktionen ausführen und mit Legacy-Systemen zusammenarbeiten kann.

  • HTML ist normalerweise nicht direkt wiederverwendbar

    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:

  • 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.





    ). #####