Fernando Alonso Blázquez

1. XML (eXtensible Mark-up Language) 27 de Mayo de 2004 Fernando Alonso Blázquez

2. Índice • Introducción • ¿Qué es XML? • Ventajas de XML • Construyendo documentos XML • Estructura jerárquica de elementos • Algunas normas • El prólogo • Elementos • Atributos • Secciones CDATA • Comentarios • SAX2 API

3. Introducción • Webs de asignaturas de la Escuela • Informática 3 • Intercambio de Información B2B • Almacenamiento de Información • Producción automática de Libros, Artículos, Manuales... • Explotación de los Metadatos • Keywords, Indexing, Annotations, Interdocument linking...

4. ¿Qué es XML? • Es un subconjunto de SGML (Standard Generalized Mark-up Language), simplificado y adaptado a Internet • XML (eXtensible Mark-up Language) no es un lenguaje de marcado • XML es un meta-lenguaje que permite definir lenguajes de marcado adecuados a usos determinados <libro> <autor>Antonio Muñoz Molina</autor> <titulo>El Jinete Polaco</titulo> <precio moneda=“EURO”>20</precio> </libro>

5. Ventajas de XML • Procesable por humanos y por software • Separa la información o el contenido de su presentación o formato • Ideal para transacciones B2B • Permite poderosas técnicas de extracción de información y data-mining • Fácil análisis sintáctico

6. Construyendo documentos XML • El elemento y sus atributos <autor pais=“ES”>Antonio Muñoz Molina</autor> • XML “bien-formado” (well-formed) • Cumple una serie de reglas descritas en la especificación oficial de XML v1.0 • World Wide Web Consortium (W3C) Contenido del elemento Nombre del atributo Nombre del elemento Etiqueta de fin Valor del atributo

7. Estructura jerárquica de elementos • Los elementos deben seguir una estructura de “árbol”, es decir, estríctamente jeráquica • Los elementos deben estar correctamente anidados • Los elementos no se pueden superponer entre ellos • Sólo puede haber un elemento raíz, en el que están contenidos todos los demás XML erróneo <nombre>Topacio Jade<email> </nombre>topacio.jade@mail.com</email>

8. Estructura jerárquica de elementos remitente nombre: Topacio Jade email: topacio.jade@mail.com destinatario nombre: Esmeralda Turquesa mensaje email: eturquesa@gmail.com asunto: Informe de ventas texto parrafo: Ya esta acabado el informe. parrafo: Lo he dejado en el servidor del departamento.

9. Estructura jerárquica de elementos <?xml version="1.0" encoding="UTF-7"?> <!DOCTYPE mensaje SYSTEM “mensaje.dtd”> <mensaje> <remitente> <nombre>Topacio Jade</nombre> <email>topacio.jade@mail.com</email> </remitente> <destinatario> <nombre>Esmeralda Turquesa</nombre> <email>eturquesa@gmai.com</email> </destinatario> <asunto>Informe de ventas</asunto> <texto> <parrafo> Ya esta acabado el informe. </parrafo> <parrafo> Lo he dejado en el servidor del departamento. </parrafo> </texto> </mensaje>

10. Algunas normas <animal> Perro <raza tipo="Cocker Spaniel"> <animal> Vaca <raza tipo="Holstein"> • Todas las etiquetas tienen que estar debidamente “cerradas” • etiqueta de cierre que se corresponda con la de apertura • Las etiquetas sin contenido tienen una sintaxis especial <animal> Perro <raza tipo="Cocker Spaniel"> </animal> <animal> Vaca <raza tipo="Holstein"> </animal> <animal> Perro <raza tipo="Cocker Spaniel" /> </animal> <animal> Vaca <raza tipo="Holstein" /> </animal>

11. Algunas normas • Un nombre de elemento, atributo, entidad, etc., debe empezar siempre por una letra. • Las letras “XML” (o “xml” o “xMl”,etc.) no pueden usarse como caracteres iniciales de un nombre de elemento, atributo, etc. • XML es “case-sensitive”: <autor><Autor> • El uso del espacio en blanco y los saltos de línea sólo se tienen en cuenta cuando aparecen en el valor de un atributo, o cuando se indica su significancia.

12. Marcado y datos • Las construcciones como etiquetas, referencias de entidad y declaraciones se denominan “marcas” (mark-up) y son las partes 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 • Marcas en un documento XML son aquellas que comienzan con “<“ y terminan con “>” • En el caso de referencias de entidad, el carácter inicial es “&” y el final “;”

13. 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, etc.) • La segunda línea define el tipo de documento, especificando qué DTD (Document Type Definitions) valida y define los datos que contiene <?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”?>

14. Elementos • Elementos con contenido • Elementos vacíos <nombre>Fulano Mengánez</nombre> <aviso tipo=“emergencia” gravedad=“mortal”> Que no cunda el pánico</aviso> <identificador referencia=“1234567890”/> <linea-horizontal/>

15. Atributos • Manera de incorporar características o propiedades a los elementos • Pueden estar marcados entre comillas simples (‘) o dobles (“) • Un concepto se puede representar de diversas formas: consistencia <verdura clase=“zanahoria” longitud=’15” y media’> <cita texto=“’Hola, buenos días’, dijo él”> <gato><nombre>Micifú</nombre><raza>Persa</raza></gato> <gato raza=“Persa”>Micifú</gato> <gato raza=“Persa” nombre=“Micifú”/>

16. Entidades predefinidas • En XML 1.0 se definen cinco entidades para representar caracteres especiales y que no se interpretan como marcado por el procesadr XML

17. Secciones CDATA • Construcción en XML que permite especificar datos, utilizando cualquier carácter, especial o no, sin que se interprete como marcado XML. • La razón de esta construcción es que a veces es necesario para los autores de documentos XML, poder leerlo facilmente sin tener que descifrar los códigos de entidades. Especialmente cuando son muchas. <ejemplo> &lt;HTML&gt; &lt;HEAD&gt;&lt;TITLE&gt;Rock &amp; ROLL&lt;/TITLE&gt; &lt;/HEAD&gt; </ejemplo> <ejemplo> <![CDATA[ <HTML> <HEAD><TITLE>Rock & Roll</TITLE></HEAD> ]]> </ejemplo>

18. Comentarios • Insertados en el documento XML • Ignorados por el procesado de la información y las reproducciones del documento • Tienen el mismo formato que en HTML • Comienzan por “<!--” y terminan con “-->” • Se pueden introducir en cualquier lugar de la instancia o del prólogo, pero nunca dentro de las declaraciones, etiquetas u otros comentarios.

19. DTD (Document Type Definition) 27 de Mayo de 2004 Fernando Alonso Blázquez

20. Índice • Validación y definición de documentos • DTD: Document Type Definition • Declaraciones de tipo Elemento • Modelos de contenido • Declaraciones de lista de Atributos • Tipos de Atributos • Declaración de Entidades

21. Document Type Definition (DTD) • Es como definir nuestro propio lenguaje de marcado para una aplicación específica • Define los tipos de elementos, atributos y entidades permitidas, y puede expresar algunas limitaciones para combinarlos • Puede residir en un fichero externo y ser compartido por varios documentos XML. • O bien puede estar contenido en el propio documento XML, como parte de su declaración de su prólogo. • El documento XML que se ajusta a su DTD, se denomina “valido”  ”bien-formado”

22. Ejemplos de DTD <!DOCTYPE etiqueta [ <!ELEMENT etiqueta (nombre, calle, ciudad, pais, codigo)> <!ELEMENT nombre (#PCDATA)> <!ELEMENT calle (#PCDATA)> <!ELEMENT ciudad (#PCDATA)> <!ELEMENT pais (#PCDATA)> <!ELEMENT codigo (#PCDATA)> ]> <etiqueta> <nombre>Topacio Jade</nombre> <calle>Minas de Moria, 13</calle> <ciudad>Azanulbizar</ciudad> <pais>Khuzdul</pais> <codigo>78125</codigo> </etiqueta> <!DOCTYPE coche SYSTEM “http://www.tecnun.es/coche.dtd”> <coche> <modelo>...</modelo> ... </coche>

23. Declaraciones de tipo Elemento Documento XML válido de acuerdo al DTD anterior <receta> <titulo>Arroz cocido</titulo> <ingredientes>Arroz</ingredientes> <procedimiento>Cocer el arroz</procedimiento> </receta> • Deben empezar con “<!ELEMENT” seguidas por el identificador genérico del elemento que se declara • A continuación tienen una especificación del contenido • Ejemplo: • <!ELEMENT receta (titulo, ingredientes, procedimiento)> Documento XML no válido <receta> <parrafo>La siguiente receta me la pasó Alvaro</parrafo> <titulo>Arroz cocido</titulo> <ingredientes>Arroz</ingredientes> <procedimiento>Cocer el arroz</procedimiento> </receta>

24. Especificación de contenido • EMPTY: No tiene contenido. <!ELEMENT linea-horizontal EMPTY> • ANY: Puede tener cualquier contenido. Es mejor no usarla y estructurar adecuadamente los documentos <!ELEMENT batiburrillo ANY> • Mixed: Puede tener caracteres o una mezcla de caracteres y sub-elementos especificados <!ELEMENT enfasis (#PCDATA)> <!ELEMENT parrafo (#PCDATA|enfasis)*> • Element: Sólo puede contener sub-elementos especificados <!ELEMENT mensaje (remite, texto)>

25. Modelos de contenido • <!ELEMENT aviso (parrafo)> • <aviso> sólo puede contener un <parrafo> • <!ELEMENT aviso (titulo, parrafo> • <aviso> debe contener un elemento <titulo> seguido de un elemento <parrafo> • <!ELEMENT aviso (parrafo | grafico)> • La barra vertical “|” indica opción. El número de opciones no está limitado y se pueden agrupar usando paréntesis • <!ELEMENT aviso (titulo, (parrafo | grafico))> • <aviso> debe contener un <titulo> seguido de un <parrafo> o un <grafico>

26. Modelos de contenido • Indicador de frecuencia • Siguen directamente a un identificador general, una secuencia o una opción • No pueden ir precedidos por espacios en blanco <!ELEMENT aviso (titulo?, (parrafo+, grafico)*)>

27. Declaración de lista de Atributos <!ELEMENT mensaje (de, a, texto)> <!ATTLIST mensaje prioridad (normal | urgente) normal> <!ELEMENT texto (#PCDATA)> <!ATTLIST texto idioma CDATA #REQUIRED> • Atributos • Añaden información adicional a los elementos • Sólo se pueden especificar una vez y en cualquier orden • No pueden contener sub-atributos • Declaración • Empiezan con “<!ATTLIST” • Identificador del elemento al que se aplica • Nombre del atributo • Tipo • Valor por defecto <mensaje prioridad=“urgente”> <de>Topacio Jade</de> <a>Esmeralda Turquesa</a> <texto idioma=“español”> Hay que preparar los informes de junio </texto> </mensaje>

28. Declaración de lista de Atributos • #REQUIRED: Es obligatorio especificar el atributo. No tiene valor por defecto. • #IMPLIED: Se puede omitir el atributo, sin que se adopte automáticamente un valor por defecto <!ATTLIST IMG URL CDATA #REQUIRED ALT CDATE #IMPLIED>

29. Tipos de Atributos • Atributos CDATA (character data): Pueden contener casi cualquier cosa <!ATTLIST mensaje fecha CDATA #REQUIRED> < mensaje fecha=“21 de Mayo de 2003”> • Atributos enumerados: Sólo pueden contener un valor de entre un número reducido de opciones <!ATTLIST mensaje prioridad (normal | urgente) normal>

30. Tipos de Atributos • Atributos ID e IDREF • El tipo ID permite que un atributo determinado tenga un nombre único que podrá ser referenciado por un atributo de otro elemento que sea de tipo IDREF • Permite implementar un sistema de hipervínculos en un documento XML <!ELEMENT enlace EMPTY> <!ATTLIST enlace destino IDREF #REQUIRED> <!ELEMENT capitulo (parrafo)*> <!ATTLIST capitulo referencia ID #IMPLIED>

31. Declaración de Entidades • La Entidades se utilizan para hacer referencia a objetos (ficheros, páginas Web, imágenes,...) que no deben ser analizados sintácticamente según las reglas de XML • Se declaran mediante “<!ENTITY” • Puede usarse para declarar una abreviatura que se utiliza como una forma más corta de algunos textos • En otras ocasiones es una referencias a un objeto externo o local

32. Tipos de Entidades • Las entidades pueden ser: • Internas – Externas • Analizadas o No analizadas • Generales o Parámetro • Entidades generales internas: • Son básicamente abreviaturas definidas en la sección del DTD del documento XML • Son siempre entidades analizadas <!DOCTYPE texto[ <!ENTITY ovni “Objeto Volador No Identificado”> ]> <texto> <titulo> Durmiendo en clase, Topacio soñó con un &ovni; </titulo> </texto>

33. Tipos de Entidades • Entidades generales externas analizadas <!ENTITY intro SYSTEM “http://www.tecnun.es/intro.xml> • Entidades no analizadas <!ENTITY logo SYSTEM “http://www.tecnun.es/logo.gif> • Entidades parámetro Internas <!DOCTYPE texto[ <!ENTITY % elemento-alf “!ELEMENT ALF (#PCDATA)>”> %elemento-alf; ]> • Entidades parámetro Externas <!DOCTYPE texto[ <!ENTITY % elemento-alf SYSTEM “alf.ent”> ... %elemento-alf; ]>

34. Ejemplo de DTD <?xml encoding=“UTF-7”?> <!ELEMENT lista (persona)+> <!ELEMENT persona (nombre, email*, relacion?)> <!ATTLIST persona id ID #REQUIRED> <!ATTLIST persona sexo (hombre | mujer) #IMPLIED> <!ELEMENT nombre (#PCDATA)> <!ELEMENT email (#PCDATA)> <!ELEMENT relacion EMPTY> <!ATTLIST relacion amigo-de IDREFS #IMPLIED enemigo-de IDREFS #IMPLIED> <?xml version=“1.0”?> <!DOCTYPE lista SYSTEM “Lista.dtd”> <lista> <persona sexo=“hombre” id=“Topacio”> <nombre>Topacio Jade</nombre> <email>topacio.jade@mail.com</email> <relacion amigo-de=“esmeralda”> </persona> <persona sexo=“mujer” id=“esmeralda”> <nombre>Esmeralda Turquesa</nombre> <email>eturquesa@gmail.com</email> </persona> </lista>