PDF de programación - Introducción a XML

¿Qué es XML?

§ XML es un subconjunto de SGML (Standard

Generalised Mark-up Language), simplificado y
adaptado a Internet.

§ XML (eXtensible Mark-up Language) no es, como

su nombre podría sugerir, un lenguaje de
marcado.

§ XML es un meta-lenguaje que nos permite definir

lenguajes de marcado adecuados a usos
determinados.

¿Qué no es XML?

§ XML no es una “versión mejorada de HTML”.
§ HTML es una aplicación de XML (más o menos)
§ XML no es un lenguaje para hacer mejores

páginas de web.

§ XML no es difícil :-)

¿Por qué XML?

§ Es un estándar internacionalmente reconocido.
§ No pertenece a ninguna compañía, y su

utilización es libre.

§ Permitirá la utilización efectiva de Internet en

diferentes alfabetos, por gente con minusvalías
físicas, y en diferente hardware (teléfonos
celulares, PDAs, terminales Braille, etc.)

Un ejemplo de HTML

<p><b>La insoportable levedad del ser</b>
<br>Milan Kundera
<br>Precio: <i>20 d&oacute;lares</i>

¿Qué problema tiene HTML?

§ Define más la presentación que el contenido.
§ No es fácilmente procesable por “máquinas”.
§ Problemas de internacionalización.
§ Su estructura es “caótica”.
§ Su interpretación es ambigua según el software

utilizado.

§ Sólo tiene un uso: páginas de web.

Una propuesta en XML

<libro>
<titulo>La insoportable levedad del
ser</titulo>
<autor>Milan Kundera</autor>
<precio moneda=“USD”>20</precio>
</libro>

Ventajas de XML

§ Fácilmente procesable tanto por humanos como

por software.

§ Separa radicalmente la información o el
contenido de su presentación o formato.

§ Diseñado para ser utilizado en cualquier lenguaje

o alfabeto.

Ventajas de XML (más...)

Un documento, muchas formas de presentación.

XML

HTML

WML

RTF

PDF

VRML

Ventajas de XML (y más...)

§ Formato ideal para transacciones B2B.
§ Permite poderosas técnicas de extracción de

información y data-mining.

§ XML + validación = datos autodefinidos.
§ Las estrictas reglas para la composición de un

documento XML permiten su fácil análisis
sintáctico.

(Breve) historia de XML

§ Desarrollado a partir de 1996, como sub-

conjunto de SGML.

§ Adoptado como estándar en Febrero 1998 por

el World Wide Web Consortium (W3C)

World Wide Web Consortium (W3C)

§ Constituido en 1994 con el objetivo de
desarrollar protocolos comunes para la
evolución de Intermet.

§ Es un consorcio de industrias internacionales, y

está participado por el MIT (EEUU), INRIA
(Francia), y Keio University (Japón).

§ Cuenta con el soporte oficial de DARPA (EEUU) y

la Comisión Europea.

La sopa de letras

XLL

DC

XML

XSL

XSLT

DTD

XPath

XML-Sig

DOM

XBase

RDF

SAX

XPointer

SGML

Schema

SML

namespace

Un poco de terminología

XML
SGML
XML “bien-formado”
Validación
DTD
Schema
XSL
Parser

eXtended Mark-up Language
Standard Generalised Mark-up Language

Document Type Definition

eXtended Stylesheet Language
Analizador sintáctico

Un poco (más) de terminología

Elemento
Atributo
DOM
RDF
XLink, XPointer
SML
SMIL
XHTML

Document Object Model
Resource Description Framework

Simple Mark-up Language
Synchronized Multimedia bla bla

Tecnologías XML (un resumen)

Especificación

XML v1.0

Definición de documentos

DTD or Schemas

Definición de estilos

XSL = XSLT + XPath

Enlazado de documentos

XLL = XLink + XPointer

Aplicaciones

RDF, SMIL, HTML, etc.

Construyendo documentos XML

El elemento y sus atributos

nombre del atributo

contenido del elemento

<autor pais=“CZ”>Milan Kundera</autor>

nombre del elemento

etiqueta de fin

valor del atributo

XML “bien-formado” (well-formed)

§ Se dice que un documento XML es “bien-

formado” cuando cumple una serie de reglas
descritas en la especificación oficial de XML v1.0

Estructura jerárquica de elementos

§ Los elementos deben seguir una estructura de

“arbol”, es decir, estríctamente jerárquica.
§ Los elementos deben estar correctamente

anidados.

§ Los elementos no se pueden superponer entre

ellos.

Ejemplo de XML erróneo

<nombre>Alfredo Reino<email>
</nombre>[email protected]</email>

Estructura jerárquica de elementos

§ Sólo puede haber un elemento raiz, en el que

están contenidos todos los demás.

Estructura jerárquica de elementos

<?xml version=“1.0” encoding=“UTF-7”?>
<!DOCTYPE mensaje SYSTEM “mensaje.dtd”>
<mensaje>

<remite>

<nombre>Alfredo Reino</nombre>
<email>[email protected]</email>

</remite>
<destinatario>

<nombre>Bill Clinton</nombre>
<email>[email protected]</email>

</destinatario>
<asunto>Hola Bill</asunto>
<texto>

<parrafo>¿Hola qué tal? ...</parrafo>

</texto>

</mensaje>

Estructura jerárquica de elementos

Etiquetas

§ Todas las etiquetas tienen que estar

debidamente “cerradas”, es decir, con una
etiqueta de cierre que se corresponda con la de
apertura.

§ Las etiquetas “vacías” (es decir, sin contenido)

tienen una sintaxis especial.

Ejemplos de XML incorrecto

<animal>Perro

<raza tipo=“Cocker Spaniel”>

<animal>Vaca

<raza tipo=“Holstein”>

Una versión más correcta...

<animal>Perro

<raza tipo=“Cocker Spaniel”>

</animal>
<animal>Vaca

<raza tipo=“Holstein”>

</animal>

Las etiquetas tienen que estar SIEMPRE cerradas

¡La versión más correcta!

<animal>Perro

<raza tipo=“Cocker Spaniel” />

</animal>
<animal>Vaca

<raza tipo=“Holstein” />

</animal>

Las etiquetas sin contenido se cierran de la forma mostrada

Atributos

§ Los valores de los atributos de los elementos

siempre deben estar marcados con las comillas
dobles (“) o sencillas (‘)

<a href=“http://www.disney.com”>Esto es correcto</a>

<a href=‘http://www.disney.com’>Esto es correcto</a>

<a href=http://www.disney.com>Esto NO es correcto</a>

Nombrando cosas

§ Un nombre de elemento, atributo, entidad, etc.

empieza por una letra, y continua con letras,
dígitos, guiones, rayas, punto o dos puntos.

§ Las letras “XML” (o “xml” o “xMl”, etc.) no pueden
usarse como caracteres iniciales de un nombre
de elemento, atributo, entidad, etc.

Otras reglas

§ XML es “case-sensitive”, es decir, que no es lo

mismo <autor> que <Autor>, por ejemplo.

§ El uso del espacio blanco y los saltos de línea, en

general funciona como en HTML (sólo se toma
en cuenta cuando aparece en el valor de un
atributo, o cuando se indica su significancia)

Marcado y datos

§ Las construcciones como etiquetas, referencias

de entidad y declaraciones se denominan
“marcas” (mark-up). Estas son las partes del
documento que el analizador sintáctico (parser)
espera comprender.

§ El resto del documento, que se encuentra entre

las “marcas”, son los datos que resultan
entendibles por las personas.

Marcado y datos

§ Marcas en un documento XML son aquellas que
comienzan por el caracter “<“ y terminan con “>”.

§ En el caso de las referencias de entidad, el

caracter inicial es “&” y el final es “;”

El prólogo

§ 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, ISO-8859-7, etc.), y
algunas otras cosas.

§ La segunda línea define el tipo de documento,

especificando que DTD valida y define los datos
que contiene.

Ejemplos de prólogos

<?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

Los elementos XML pueden tener contenido (más elementos,
caracteres, o ambos a la vez), o bien ser elementos vacíos.

Un elemento con contenido es, por ejemplo:

<nombre>Fulano Mengánez</nombre>

<aviso tipo="emergencia" gravedad="mortal">
Que no cunda el pánico</aviso>

Elementos
Siempre empieza con una <etiqueta> que puede contener
atributos o no, y termina con una </etiqueta> que debe tener
el mismo nombre. Al contrario que HTML, en XML siempre
se debe "cerrar" un elemento.

Hay que tener en cuenta que el símbolo "<" siempre se
interpreta como inicio de una etiqueta XML. Si no es el
caso, el documento no estará bien-formado. Para usar
ciertos símbolos se usan las entidades predefinidas, que
se explican más adelante.

Elementos vacíos

Un elemento vacío, es el que no tiene contenido (claro).

<identificador referencia="23123244"/>
<linea-horizontal/>

Al no tener una etiqueta de "cierre" que delimite un
contenido, se utiliza la forma <etiqueta/>, que puede
contener atributos o no. La sintaxis de HTML permite
etiquetas vacías tipo <hr> o <img src="...">. En HTML
reformulado para que sea un documento XML bien-
formado, se debería usar <hr/> o <img src="..."/>

Atributos

Como se ha mencionado antes, los elementos pueden tener
atributos, que son una manera de incorporar características
o propiedades a los elementos de un documento.

<gato raza="Persa">Micifú</gato>

Atributos

Al igual que en otras cadenas literales de XML, los atributos
pueden estar marcados entre comillas verticales ( ' ) o
dobles ( " ). Cuando se usa uno para delimitar el valor del
atributo, el otro tipo se puede usar dentro.

<verdura clase="zanahoria" longitud='15" y media'>

<cita texto="'Hola buenos dias', dijo él">

Atributos
A veces, un elemento con contenido, puede modelarse
como un elemento vacío con atributos. Un concepto se
puede representar de muy diversas formas, pero una
vez elegida una, es aconsejable fijarla en el DTD, y usar
siempre la misma consistentemente dentro de un
documento XML.

<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 entidades para representar
caracteres especiales y que no se interpreten como
marcado por el procesador XML. Es decir, que así
podemos usar el carácter "<" sin que se interprete como
el comienzo de una etiqueta XML, por ejemplo.

Entidades Predefinidas

Secciones CDATA

Existe otra construcción en XML que permite especificar
datos, utilizando cualquier carácter, especial o no, sin que
se i