XML 是擴展標識語言(Extensible Markup Language)的縮寫,由 W3C 主導,已成為正式規範。嚴格說它不是一種語言,而是一套用來定義其他語言的系統。
W3C 把它描述為「表達數據結構的共同語法」。所謂結構化數據,指的是內容、含義或用途被標記出來的數據。對比就很清楚:HTML 裡 <H1> 只說明用什麼字體和大小顯示;而 XML 的 <BYLINE> 明確表示這是文檔作者,<PRICE> 明確表示這是某項目的價格。
把結構、內容和表現分開之後,同一份 XML 源文檔只寫一次,就能以多種方式呈現:電腦屏幕、手機屏、盲人設備的語音合成。一份文檔因此可能比它的作者和當年的顯示技術活得更久。
XML 的用武之地也不止於 Internet。出版業受益尤其明顯,特別是那些需要把內容同時投放到多種媒體的機構。同時,由於它是為 Web 設計的、天生跨平台,Web 仍是它影響力最集中的地方。
XML 在 Web 上的真正威力,還來自它與 DOM(文檔對象模型)的配合。DOM 定義了訪問文檔數據的標準機制,讓程序員能用統一方式操作動態內容。
Web 上內容為王,可惜內容常常和表現死死綁在一起——「最佳瀏覽分辨率 800x600」這類提示就是明證。
XML 的解法是把問題倒過來:網站建設者不再指定「在哪裡顯示什麼」,而是描述文檔的結構——標題是什麼、作者是誰、關聯文檔有哪些。之後任何具備 XML 能力的設備都能渲染出最適合自己的版本,無論是掌上電腦、機頂盒還是工作站。
另一個關鍵優勢是可擴展性:組織可以按需擴展 XML 以應對新場景。它也有望成為跨廠商交換數據與文檔的標準機制,例如讓不同系統的數據庫在網上互相交換信息。
SGML(標準通用標記語言)在文檔處理領域已經存在十幾年,XML 和 HTML 都源自於它,因此共享一些特徵:相似的語法、成對的尖括號標記。
但層次不同:HTML 是 SGML 的一個應用,XML 是 SGML 的一個子集。差別很實際——HTML 基本不能擴展,XML 可以。RDF、CDF 都是用 XML 定義出來的應用。
可以說 HTML 和 XML 更像表兄弟而非親兄弟。XML 與 SGML 兼容,XML 文檔能被任何 SGML 工具讀取;但 XML 拋掉了 SGML 的複雜部分,是為有限帶寬的網絡量身定制的。HTML、SGML、XML 會長期各守其位:HTML 仍是快速發布短期內容的最簡方案,XML 適合需要長期保存、結構更強的數據,SGML 則繼續服務於高端複雜出版。
XML 的應用方向有兩類:人機之間的數據交換(服務器到瀏覽器),以及應用與應用、機器與機器之間的交換。
典型的實現是三段式架構:後端數據庫、中間的處理邏輯服務器、前端的展示與處理客戶端。數據庫從多個來源彙集信息,中間層聚合加工,最終在表現層發布。傳統做法下,想要一個新視圖(比如「打印友好版」),服務器必須重新生成整頁;而一份格式良好的 XML 文檔,可以讓客戶端應用按目標媒體自行調整表現形式。
文檔類型定義(DTD)是一套關於標記符的語法規則:規定了文檔中能用哪些標記、它們的出現順序、嵌套關系、哪些帶有屬性等。DTD 最初為 SGML 而生,可以是 XML 文檔的一部分,但通常是獨立文件。
因為 XML 本身不是一種語言,它沒有一個通用 DTD。想交換數據的行業或組織,需要自己定義 DTD。有些公司只為內部文檔定義私有 DTD。
DTD 也有爭議:有人認為它為業務帶來實打實的價值,有人覺得它束縛創造力,還有人認為方向對了但做得不夠。
包括微軟在內的一些廠商提出了替代方案——Schema,並以 XML 形式提交給 W3C。與 DTD 一樣,它定義文檔規則;不同之處在於 Schema 能規定數據類型。DTD 裡的某個標記內容可能是數字也可能是字符串,Schema 可以限定只接受數字。這對應用、對象、數據庫之間的數據傳輸顯然更有價值。
XML 文檔分兩類相關概念:
<MYTAG/>;標記以左尖括號或 & 起始;元素類型與屬性名區分大小寫;屬性值必須加引號。分工上,制作工具負責校驗有效性,瀏覽器只需檢查格式良好性。因此制作工具中的解析器要同時做兩件事,瀏覽器只關心文檔是否格式良好。
讀 XML 的工具通常叫 XML 解析器,正式名稱是 XML 處理器。它把數據傳給應用軟件去制作、出版、查詢或顯示——注意,XML 本身不提供 API,只負責把數據遞過去,且不解析格式不良的數據。
早期開源社區提供了不少免費實現,例如 Textuality 的 Lark、Microstar 的 Java 解析器 Ælfred、DataChannel 的 DXP 等,可以嵌入自己的應用或制作工具。
如果說 XML 提供了「說話的能力」,那麼 XML 應用軟件就是具體的語言。RDF(資源描述格式)正是這樣一個應用:一門使用 XML 語法的數據建模語言。
RDF 描述的是關於數據的數據,也就是元數據。在 Web 上,這些元數據可用於生成標準站點地圖、更精確的搜索結果、分層的主題索引,也支持「智能書簽」——被索引頁面變化時書籤隨之更新。
元數據還支撐內容評級市場:各類評級機構對站點做出評估,RDF 提供描述評級的語法,用戶則選擇自己信任的詞匯表來理解評級含義。
Netscape 選擇在 Communicator 5.0 中以代號 Aurora 的組件支持 XML 元數據,利用 RDF 實現所說的「桌面信息全面集成」:在網絡、桌面與數據庫之間查找和管理信息,把指向當前項目、研究主題、日常活動資源的指針聚合到一個界面裡。
微軟的 Internet Explorer 4.0 則是第一個實現 XML 的瀏覽器,提供了一對處理器:瀏覽器內建的 C++ 解析器(為性能採用非驗證型),以及可下載並嵌入自有應用的 Java 源碼解析器(支持按 DTD 或 Schema 驗證)。由於 XML 數據與表現分離,瀏覽器要真正顯示 XML 還需要樣式表(如 XSL);在此之前,微軟用 XML DSO 借助動態 HTML 的數據綁定能力,把 XML 數據與 HTML 元素關聯起來呈現。
以 CommerceNet 為代表的行業組織很早就發現,XML 能在兩個方面發揮作用:
圍繞 CBL 還衍生出多個行業規範:OBI(Internet 上的企業間采購標準,基於 HTML、SSL、SET、X.509)、OTP(面向消費者的統一交易環境)、ICE(站點之間交換內容、應用與元數據)等。長遠目標是由行業組織而非單一廠商,把 CBL 作為各自 DTD 的共同基礎。
內容與表現分離之後,設計、顯示、輸出的控制就需要新的手段。可用的樣式表有三種:
XML 的超鏈接能力比 HTML 豐富得多,甚至不必手寫大量 JavaScript 就能做出「聰明」的鏈接,而且鏈接本身成為可管理的對象。最初的 XLL 規範被拆成了兩部分:
尚未解決的是行為策略問題:文檔作者建議的行為、用戶偏好的展示方式、以及是否與何時覆蓋用戶意願,這三者需要一套協調規則。
XML 被設計為長期保存高價值文檔的存儲格式。它不僅讓你定義標識符,還允許定義文檔的存儲結構——一份 HTML 文檔只存在於單個文件中,而一份 XML 文檔可以由存放在不同位置的多個實體組成。這直接催生了「XML 服務器」的概念。
當時已有多家廠商在產品中加入 XML 支持,涵蓋專業電子出版、文檔管理、索引檢索、內容分發等方向,並逐步支持按文檔原生格式建立索引與設置安全策略。
所有 Web 建設者都需要對 XML 有足夠了解,以便判斷是否使用它。電子商務站點、管理大量文檔的站點顯然是首選場景。
管理者未必需要記住語法或學會寫 DTD,但應該理解 XML 的潛力並善加利用。判斷標準很簡單:如果最終目的只是讓人讀,HTML 已經夠用;如果要為自動化處理做準備,就該認真考慮把 XML 納入出版體系。
並非每個 HTML 制作者都要成為 XML 制作者,但團隊中應當有人精通 XML——特別是當站點的核心資產是值得長期管理的數據與文檔時。也要有心理準備:HTML 幾天就能上手,XML 可能需要幾週來適應。
好消息是沒人需要從零開始。當時市場上已有覆蓋創建、管理、發布各環節的工具,主要廠商包括:
可以預見,一旦 XML 在 Web 上普及,幾乎所有 Web 相關軟件——尤其是 HTML 編輯器、數據庫軟件和電子商務軟件——都會迅速加入對它的支持。
XML 由 Unicode(ISO 10646)定義,這是一個國際公認的標準,覆蓋世界上的字母、字型、字符與表意符,包括 ASCII、ISO 拉丁字符以及日、韓、中、印度、希臘、阿拉伯等字符集。它甚至允許混用字符集——一篇以日文顯示的文檔,可以通過元音變音符號引用一個德文詞匯。
開發者不需要額外學習任何字符處理技巧,文檔會在用戶瀏覽器中按合適的字符集正常呈現。這讓「創建真正的國際化站點」的門檻顯著降低。
短期內,XML 大概率先出現在元數據類應用(如 RDF)上;下一個重要節點是 DOM 規範的定稿——XML 與 DOM 的結合,被形容為給 Web 注入活力的關鍵一步。
電子商務也會從中受益:供應商可以用共同方式標識產品及其相關信息(價格、尺寸、顏色、特性),讓用戶在 Web 上便捷地跨店比較。與此同時,瀏覽器廠商會持續擴大對 XML 文檔、更多 XML 應用、樣式表以及 XML 超鏈接協議的支持。
想繼續深入,值得關注的信息源大致分三類:
回顧這十八個問題不難發現一條主線:XML 的價值從來不在語法本身,而在於它把「結構」從「表現」中剝離出來這件事。數據交換、發布、超鏈接、國際化,全都是這個剝離動作的下游收益。理解這一點,比記住任何一個規範細節都更管用。