即便是對高階 XML 問題經驗豐富的開發者,也未必能完全掌握 XML 最基本的一些環節。為了替讀者打下穩固基礎,本文聚焦於最基礎的 XML 服務:解析,並介紹各種解析方法,著重分析各自的優缺點。
從 XML 問世至今,大約已有九個年頭,對可擴展標記語言而言,這是一段不算短的歷程,如今幾乎很難找到完全不用 XML 的應用程式了。
然而,與客戶合作時,仍不免發現基礎性的東西尚未被透徹理解。能深入理解複雜 XML 主題的開發者,最近卻發現自己對諸如解析這類基礎環節的掌握存在不少不足,這著實有點出人意料。
而 XML 的處理又是從何處開始的呢?沒錯,正是解析。解析或許是開發者能用到的最基礎服務:解析器讀取 XML 文檔、解讀語法,並向應用程式傳遞有意義的物件,此外可能還提供驗證(確保文檔符合 XML Schema 或 DTD)或名稱空間解析等服務。
本文介紹各種解析方法,著重分析各自的優缺點,幫助你在下一個專案中挑選合適的工具。
解析之所以重要,是因為所有 XML 處理都從解析開始。無論你用的是高階程式語言(如 XSLT)還是低階的 Java 程式設計,第一步都是讀入 XML 檔、解碼結構並擷取資訊,這就是解析。
解析文檔時面臨的第一個選擇,是採用現成的解析庫(基本上每種程式語言都有,甚至連 COBOL 也不例外),還是自己打造一個。答案很簡單:選現成的庫。
坦白說,XML 並非多麼複雜的語法,因此認為可以自己用正則表達式或其他特殊方法來解析,這種想法可以理解,但實際上很難成功:XML 語法要求支援多種編碼,還有 CDATA 節與實體等許多難以捉摸的特性,自製的實作幾乎不可能兼顧所有這些面向,往往造成相容性問題。相反,隨開發環境附贈的解析器大多經過了相容性測試。採用 XML 這類標準語法的主要目的,就是為了與其他應用程式和工具箱相容,這正是值得使用經良好測試的庫的情境之一。
多數解析器至少提供兩種 API,通常是「物件模型 API」與「事件 API」(也稱串流 API)。以 Java 平台為例,它同時提供了 DOM(文件物件模型)與 SAX(Simple API for XML)。這兩套 API 提供的服務相同——文檔解碼、可選的驗證、名稱空間解析等——差別不在服務,而在於所使用的資料模型。
物件模型 API 定義了一套層級化的物件模型來表示 XML 文檔。換句話說,它為 XML 語法中的每個概念定義對應的類別:元素、屬性、實體、文檔。解析器讀入 XML 檔時,會在 XML 語法與類別之間建立一對一的映射,例如每遇到一個標記,就執行個體化一個元素類別。
難免有人爭論哪一種資料模型最好。W3C 標準化了 DOM,其主要優點是可攜性:它被定義為一種 CORBA 介面,並被映射到多種語言,因此若你了解 JavaScript 中的 DOM,也就掌握了 Java、C++、Perl、Python 等語言中的 DOM。另一種資料模型是 JDOM,它是針對 Java 最佳化的 DOM,與 Java 語言結合更緊密,但按定義缺乏可攜性。
儘管人們可以繼續討論哪種資料模型最適合 XML 語法,但我認為意義不大,因為各種基於物件的 API,其優缺點大同小異。從好的一面看,若你熟悉 XML 語法,物件模型 API 會更容易理解——由於它直接從 XML 語法映射到類別,學習、使用與除錯都相當容易。
但簡單是要付出代價的,那就是效率,至少在許多專案中是如此。讀入文檔時,解析器會依語法結構建立大量物件,而對許多應用而言,XML 語法並不那麼合適:
在桌面上處理小型文檔,這或許不是大問題;但在其他環境中,例如伺服器上,物件模型固有的低效率便令人無法接受。
第二種選擇是事件 API,例如 SAX。這個概念是上述物件模型方式的鏡像:它不依 XML 語法定義通用的資料模型,而是由解析器依賴應用程式設計師建立自訂的資料模型。因此解析器可以做得更小,因為只需傳遞最少量的資訊;更重要的是,與「一款打天下」的物件模型相比,它總是更高效——程式設計師可依應用需求量身打造物件模型。
它的優點很明顯:
效率的代價,是簡單性的喪失。事件 API 一向以難用著稱,因為應用程式設計師得負責更多操作。雖說短期看似如此,但依我的經驗,從中長期來看,效率上的提升足以抵銷略微增加的複雜度。
串流式 API 有兩種形式:推式與拉式。從歷史上看,推式方法更為流行,因為這正是 SAX 採用的模型;推式方法也正在標準化,很快將作為 StAX 整合進 Java 平台。
兩者的差別何在?在於由誰控制讀取迴圈。與任何讀檔軟體一樣,解析器也是圍繞著讀取迴圈(讀入檔案的迴圈)建立的。
在推模式(SAX)下,解析器控制迴圈:應用程式呼叫解析器後,在檔案結束之前控制權不會返回給應用程式,解析器會回呼應用程式以建立資料模型,全程處於主導地位。而在拉模式下,則由應用程式控制迴圈,在迴圈中反覆呼叫解析器,直到檔案結束。
推模式最適合邊讀入邊處理 XML 文檔,例如讀入 RSS 摘要並顯示為 HTML 網頁;對多數用 XML 儲存資料的應用而言,用一次解析器呼叫來「讀文檔」最為方便。拉模式則更適合處理不同 XML 詞彙表的文檔——這類應用通常需要「嗅探」輸入(讀入前幾行),以依詞彙表決定呼叫哪個子程序;對需要控制解析器的應用而言,一次迴圈是必要的,因為應用程式很容易在嗅探前幾行之後就停止讀入。
若不談另一種選擇,即 XML 編組(unmarshalling)庫形式的解析(如 Castor),本文便不完整。這種方法介於物件模型與事件方法之間:其思路是從 XML Schema 產生一個物件模型,而非通用模型(如 DOM),於是解析器產生的,是更貼合所用詞彙表的資料模型。比方說,若詞彙表處理的是發貨單,那麼可以預料其中會包含寄件方、收件方、日期、產品類別、產品標識、單價與總價。DOM 會把這些元素映射到一個一般性的元素類別,而編組庫則為寄件方、收件方、日期、產品類別等元素,以及文檔中出現的其他元素,各自建立專門的類別。就「處理的是依詞彙表(而非依應用需求)定制的資料模型」這一點而言,編組庫具備事件 API 的一些優點。
解析器讀取並解碼 XML 文檔,把它從磁碟移進記憶體。那麼反方向的移動又該如何處理?若應用需要把資料存成 XML 檔,該怎麼辦?
雖然我建議你避免使用自製的特殊常式來解碼 XML,但對於寫入 XML 則沒有這種顧慮。讀取時必須確保實作所有規則,包括一些隱晦之處;但寫入時,你完全可以只實作一個小型、可運作的詞彙表子集。多數物件模型 API 仍肩負雙重職責,除了讀取還能把物件樹寫回磁碟;若使用事件 API,則可以從資料結構產生寫入事件。