要讓程式讀懂 XML,需要透過「解析器」。解析器大致分成兩大類:事件驅動型與樹狀模型型,兩者在記憶體使用、速度與適用場景上各有取向。
這類解析器每遇到一個元素就觸發一個事件,交由事件處理器回應。它按順序讀取文件,不會把整份文件載入記憶體,因此速度很快、記憶體佔用低。
缺點是無法在文件中隨意跳位——讀過就過去了。它適合用來處理在其他地方還要繼續使用的 XML 資料,例如轉換成 HTML,或從檔案讀資料後寫入資料庫。典型用途包括:
它無法跨文件交叉參照內容,但勝在簡單、快速。
這類解析器會把整份 XML 讀進記憶體,建立樹狀結構。之後可以隨機存取樹上任何節點,也能修改樹的結構與內容。靈活度最高,代價是記憶體與啟動時間。
現有解析器多達上百種,但最常用的是兩個標準介面:
另外,Expat 雖非標準,卻是腳本語言處理 XML 時最常用的解析器。它由 James Clark 撰寫,屬於事件驅動型。
電腦並不真正理解文字,它只認得數字。字符集(character set)定義了字母到數字的映射規則,例如 65 代表大寫 A,這個 65 就稱為碼點(code point)。而字符編碼(character encoding)則決定碼點要如何用位元組表示——用幾個位元組、高位元組在前還是低位元組在前。
傳統的 ASCII 只定義了 127 個字符,前 31 個是控制符;127 之後的編碼隨平台而異。單一位元組最多只能提供 256 個字符,用它來表示中文、日文遠遠不夠。
為了解決這個問題,Unicode 字符集應運而生。它可用多位元組格式編碼字符,標準允許 2 位元組字符,支援 65536 個不同字符。Unicode 為每個字符分配碼點,這些編號可用多種模式編碼:UCS-2、UCS-4、UTF-8、UTF-16。
又稱 ISO-10646-UCS-2,每個字符用一個介於 0~65535 的無符號整數(兩個位元組)表示。A 的碼點是 65,寫成 00 41;B 是 66,寫成 00 42。它有兩種 byte order:高位元組在前或低位元組在前。為區別這兩種形式,UCS-2 文件通常以 Unicode 字符 #xFEFF(零寬度不中斷空格)開頭,稱為位元組順序標記(BOM)。這個字符不可見;若兩個位元組被交換,會得到實際不存在的 #xFFFE。因此只要看 UCS-2 文件開頭是 #xFEFF 還是 #xFFFE,就能判斷它是不是高位元組在前。
UCS-2 的缺點有兩個:若內容以拉丁字母為主,用兩個位元組編碼會讓檔案大小翻倍;而且它與 ASCII 前後不相容,處理單位元組字符集的工具往往無法直接吃 UCS-2 檔。
UTF-8 是可變長度的 Unicode 編碼。0~127 對應 ASCII,完全相容,每字符一個位元組;128~2047 用兩個位元組,涵蓋最常見的非表意字母;其餘字符(主要來自中日韓)各用三個位元組;碼點超過 65535 的字符則用四個位元組。
對於以拉丁字母為主的文件,UTF-8 比 UCS-2 可省下約一半空間;對中日韓文件則會增加約五成;其他語言差異不大。UTF-8 是目前最常用的 Unicode 編碼方式,也是 XML 文件的預設編碼。
在 Unicode 普及之前,出現了一系列處理特定語言的單一位元組字符集,ISO 把其中 14 種標準化為 ISO 8859 系列(ISO-8859-1 到 -15,其中 -15 是 -1 的修訂版),統稱 ISO 字符集。Cp1252 是 Windows 平台的預設編碼,不支援跨平台,盡量別用;MacRoman 則是 Mac OS 上的非標準單一位元組編碼,在非 Mac 平台使用也會出問題。
若要輸入編輯器不支援的字符,可用字符引用的方式,以十進位或十六進位給出它的 Unicode 編號,例如 њ(十進位)或 њ(十六進位)。字符引用可用於元素內容、屬性與註解,但不能用於元素名稱、屬性名稱、處理指令或 XML 關鍵字。
若某些字符會經常使用,可以為它們定義實體,日後直接引用即可。專門定義字符實體的 DTD 可以獨立成副檔名為 .ent 的外部 DTD,需要時再用外部參數實體引用把它們引入文件的 DTD 中。
XHTML 1.0 DTD 就提供了三個實用的字符實體集:
XML 文件可以用 xml:lang 屬性標明元素內容所使用的語言,例如 xml:lang="CN-CHN"。這樣一份文件裡就能同時承載多種語言,這是 XML 跨平台、跨語言的重要特性之一。
語言代碼是兩個字母的 ISO 語言碼,後面還可接一個子代碼。宣告方式如下:
<!ELEMENT test (#PCDATA)> <!ATTLIST test xml:lang NMTOKEN #IMPLIED>
這裡用 NMTOKEN 型別,是因為所有語言代碼都是合法的 XML 名稱標記。