曾有一段時間,網頁標記的未來取決於兩套標準的競爭:W3C 主導的 XHTML 2,以及主要瀏覽器廠商自行推動的 HTML5。後來局勢底定——W3C 接手 HTML5,並宣布 XHTML 2 走入歷史。這不只改變了 XML 在 web 上的位置,也意味著 HTML5 成了每個 XML 開發人員都必須面對的技術。
好消息是,XML 愛好者不必失望:HTML5 支援 proper 的 XML 序列化。要理解 XML 形式的 HTML5(本文稱之為 XHTML5),需要掌握它與舊式 XHTML 規則的幾處關鍵差異,以及在現代瀏覽器上如何真正落地。
HTML 的歷史一直充滿爭議。即使 web 架構師盡力維持秩序,網頁長年處於混亂狀態:破碎標記、難以解讀的巢狀結構,也就是俗稱的「標籤雜燴」。XML 的初衷之一正是收拾這個殘局,因此它被定位為「web 的 SGML」,而 HTML 只是 SGML 的一種應用。XML 問世時引起巨大迴響,W3C 期待它在瀏覽器中成功,並把 XHTML 視為比 HTML 更連貫的自然演進。
然而意料之外的問題不斷出現。命名空間、連結這些看似單純的概念,成了技術政治與實作分歧的泥淖。爭議與延宕最終讓瀏覽器廠商相信:XML 或許能解決舊問題,卻也帶來一堆新的未知。
更現實的是,市面上大量舊頁面本來就是標籤雜燴,當瀏覽器廠商試圖轉向嚴格的 XML 解析路徑時,問題立刻浮現。這裡也牽涉到以 John Postel 命名的 Postel 法則:
輸出要保守,輸入要寬容。
XML 的嚴格限制放在伺服器端或資料庫端是合適的,管理者在該端點上本來就該保守;而瀏覽器是接收各方資訊的最終端,也正是 XML 與 Postel 法則拉扯最劇烈的地方。
過去幾年情勢急轉直下。瀏覽器廠商大幅忽略 W3C,另立 WHATWG 繼續推動 HTML,最終催生 HTML5;相對地,對 W3C 版 XHTML 的支持停滯不前。W3C 提供場域讓 HTML5 工作得以延續,並在 2009 年停止 XHTML 相關工作,等於承認現實。
HTML5 並非刻意設計成 XML 友善的格式,但它至少提供了 HTML 的 XML 序列化形式,算是給了 XML 社群一個交代。事情當然還沒完,HTML5 FAQ 中的一段問答說得很清楚:
如果我在 HTML 文件裡小心地照 XML 規則書寫,能用 XML 解析器處理它嗎?不行。HTML 與 XML 在解析需求上有顯著差異,為一方設計的工具無法處理另一方。不過由於 HTML5 是以 DOM 定義的,多數情況下同一份文件可以用 HTML 或 XHTML 兩種序列化表示;但仍有少數差異,使某些 HTML 文件無法被 XHTML 準確表示,反之亦然。
本文的目標讀者不是標準考據派,而是想把 XHTML5 用起來的實作者。以下建議有些寫來令人心痛,但它們來自長期實務累積的經驗。另外提醒:HTML5 當時仍屬 W3C 工作草案,部分特性雖已相當穩定並有良好實作,仍有變動可能。
第一個壞消息:你大概無法完全按官方定義使用 XHTML5。依規範,XHTML5 文件必須以 application/xhtml+xml 或 application/xml 的 MIME 類型提供,但這麼做的話,所有已發行的 Internet Explorer 版本都無法顯示,其他現代瀏覽器則沒問題。
唯一實用的折衷,是用 text/html 提供語法上的 XHTML5。嚴格說這違反了部分版本的 HTML5 規範,但除非你可以放棄支援 IE,別無選擇。IE9 的平台預覽版本已能正確處理以 XML MIME 類型提供的 XHTML,等普及後這個問題自然消失;若你仍必須支援 IE6 或更早版本,本文的做法也不夠用,只能退回 HTML 4.x。
建議:以 text/html 提供語法上的 XHTML5。
XHTML5 讓文件型別宣告(DTDecl)的問題大幅減少。XHTML 1.x 與 2 需要寫出諸如 <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.1//EN" "https://www.w3.org/TR/xhtml11/DTD/xhtml11.dtd"> 這類結構,最大困擾是新處理器很可能去載入該 DTD URL,造成不必要的網路請求,而該 URL 又牽引出一堆其他資源,W3C 站點上的檔案偶爾出問題時,還會引發極難除錯的異常。
在 XHTML5 中,文件的 XML 性質完全由 MIME 類型決定,任何 DTDecl 都會被忽略,因此可以直接省略。HTML5 則提供了極簡的 <!DOCTYPE html>,幾乎所有瀏覽器看到它都會進入標準模式,呈現更一致、更可預測;而且它不再引用任何外部檔案,避開了早期 XHTML 的困擾。
建議:使用 <!DOCTYPE html>。
既然不載入外部 DTD, 、© 這類常見的 HTML 命名實體就不能用了——它們定義在那些你沒有宣告的 XHTML DTD 裡,XML 處理器會直接丟出 undefined entity 錯誤。唯一安全的命名實體是 <、>、&、" 與 ',其餘請改用數值寫法,例如   代替 、© 代替 ©。
技術上,若文件以 text/html 提供,多數瀏覽器不會因使用 HTML 命名實體而報錯,但依賴這種「意外相容」非常脆弱;而且瀏覽器並不是 XML 的唯一消費者,其他 XML 處理器遇到這些實體會完全無從下手。
建議:只使用上述五個命名實體,其餘一律改用數值實體。
認識 XML 形式的最後一層是命名空間,前兩層是 MIME 類型與 DTDecl。過去你可能習慣用這一行開場:
<html xmlns="https://www.w3.org/1999/xhtml" xml:lang="en">
其中 xmlns="https://www.w3.org/1999/xhtml" 就是命名空間宣告,在 XHTML5 中仍然必要。若你另外嵌入 SVG 等 XML 詞彙,請把它們放進各自規定的命名空間。
建議:文件頂層務必保留預設命名空間,嵌入的其他 XML 格式則使用對應命名空間;而且這些宣告必須寫在嵌入區塊最外層的開始標籤上,若寫在 html 元素上會觸發 text/html 的一致性錯誤。
XHTML5 可以用三種方式指定媒體類型:HTTP 的 Content-Type 標頭、文件開頭的位元組順序標記(BOM),或 XML 宣告。只要不互相衝突,可以自由組合,但避免問題的關鍵在於謹慎選擇。XML 宣告尤其棘手——它會讓 IE8 及更早版本切換到 quirks 模式,進而引發一連串著名的版面異常。
建議:只用 Unicode 編碼,省略 XML 宣告,採用 UTF-8 或帶 UTF-16 BOM;如果可以控制伺服器,請直接送出 Content-Type 標頭,例如:
Content-Type: "text/html; charset=UTF-8"
HTML5 加入了 section、article 等語義更明確的元素。它們當時仍可能微調,但變動幅度有限,帶來的表達力提升值得採用。問題在於 IE 不會在 DOM 中建立這些元素,使用 JavaScript 時需要補丁。Remy Sharp 維護的修復方式是在文件頭引入:
<!--[if IE]> <script src="https://html5shim.googlecode.com/svn/trunk/html5.js"></script> <![endif]-->
此外建議補上預設樣式,避免瀏覽器把未知元素當成 HTML 4 的 inline 元素呈現:
header, footer, nav, section, article, figure, aside {
display: block;
}
建議:使用新元素,同時加載 HTML5 shiv 與上述 CSS 規則。
以下範例整合了前面所有建議。透過 HTTP 提供時,若需要相容 IE 請使用 Content-Type: "text/html; charset=UTF-8";若可以放棄 IE,則改用 application/xhtml+xml; charset=UTF-8。
<!DOCTYPE html>
<html xmlns="https://www.w3.org/1999/xhtml" xml:lang="en">
<head>
<title>A micro blog, in XHTML5</title>
<style>
header, footer, nav, section, article, figure, aside {
display: block;
}
</style>
<script type="application/javascript">
<!--[if IE]>
<script src="https://html5shim.googlecode.com/svn/trunk/html5.js"></script>
<![endif]-->
</script>
</head>
<body>
<header>A micro blog</header>
<article>
<section>
<p>There is something important I want to say:</p>
<blockquote>A stitch in time saves nine.</blockquote>
</section>
<section><p>By the way, are you as excited about the World Cup as I am?</p></section>
</article>
<article>
<section>
<p>Welcome to my new XHTML5 weblog <img src="/images/logo.png"/></p>
</section>
</article>
<aside>
<header>Archives</header>
<ul>
<li><a href="/2010/04">April 2010</a></li>
<li><a href="/2010/05">May 2010</a></li>
</ul>
</aside>
<footer>© 2010 by Uche Ogbuji</footer>
<nav>
<ul>
<li><a href="/">Home</a></li>
<li><a href="/about">About</a></li>
</ul>
</nav>
</body>
</html>
這份範例使用 HTML5 的極簡 DTDecl,並在頂層宣告預設命名空間。style 與 script 元素只是為了解決現實中的瀏覽器問題,若沒有其他 JavaScript 需求,script 可以省略。注意 img 採用自閉合語法,版權符號則用數值實體 ©。
舊版瀏覽器(如 IE6.x 或更早、Netscape、Firefox 1.x)呈現結果不可預期,自閉合標籤的處理可能出錯,但只要不使用 HTML 命名實體就不會報錯。
IE7 與 IE8 因為收到的是 text/html,會以傳統標籤雜燴方式呈現,任何 DTDecl 都能觸發標準模式,HTML 命名實體也不會被報錯。
支援 HTML5 的現代瀏覽器(Firefox 3.x、Safari 4、當時的 Opera 與 Chrome)會依 MIME 類型以 HTML5 解析而非 XHTML5,但同樣處於標準模式,HTML 命名實體不會報錯。
任何標準的 XML 1.x 處理器則會忽略 MIME 類型,所有元素都落在 XHTML 命名空間中;一旦使用偽造的 HTML 命名實體,就會收到錯誤。
W3C HTML 工作組發布了首份公開工作草案「Polyglot Markup: HTML-Compatible XHTML Documents」,目的正是提供更全面、準確且即時的 XHTML5 指引,值得延伸閱讀。
對我而言,寫下這些建議其實是痛苦的,它們來自長期的實作挫敗。在把 XML 混入真實 HTML 世界時,這是避開難以重現的 bug 與古怪不相容的唯一方法。這並不代表我放棄了對嚴謹 XML 設計與最佳實踐的主張——比較理想的做法,是把對接瀏覽器的最外層留成 XHTML5,系統內部的主要資訊則以其他 XML 格式承載,最後一刻才轉換輸出。
聽起來多此一舉?請回想 Postel 法則:對外輸出要嚴格。為瀏覽器產生 XHTML5,等於讓其他人更容易從你的網站與應用中擷取資訊——在這個混搭、web API 與資料整合當道的時代,這是一项不容忽視的優勢。