XML 即可擴展標記語言(eXtensible Markup Language),是一套定義語意標記的規則,這些標記會把文件切分成多個組件並加以標識。
XML 是一種標記語言。要理解 XML,得先理解「標記」。先談談 HTML 的標記:通俗地說,它就是一種為文本加上標記的語言。在 HTML 裡,每個標誌都有確切含義,例如 <B> 要求瀏覽器把文字加粗,而 <CENTER> 則是叫瀏覽器把文字置中顯示。
XML 的情況則大不相同。它並不像 HTML 那樣預先定義好一組標籤,而是提供了一套標準,讓你能依實際需求自訂全新的標記語言,並為它規劃專屬的標籤。更精確地說,XML 是一種「源」標記語言,允許你依循它提供的規則,制定各式各樣的標記語言。
XML 有兩位先驅——SGML 與 HTML,兩者都是極為成功的標記語言。SGML 全名為標準通用標記語言,自 1980 年代初便開始使用。與 XML 類似,SGML 能創建成千上萬種標記語言,為語法標記提供了強大的工具,並具備優異的可擴展性,因此在分類與索引資料上非常好用,目前多用於科技文獻與政府公文。無奈 SGML 極其複雜,複雜到對網路上的日常應用簡直不可思議,而且價格高昂。相對地,HTML 免費、簡單,又廣獲支援,它其實是一種極簡化的 SGML 語言,讓普通人也能輕鬆上手。1996 年,人們開始著手打造一種標記語言,希望它兼具 SGML 的強大功能與可擴展性,同時保有 HTML 的簡潔。1998 年 2 月,W3C 批准了 XML 1.0 版,一個嶄新而充滿前景的語言就此誕生。
1. XML 允許各行各業(如音樂、化學、數學等)開發與自身專業領域相關的標記語言。這讓該領域的人們能交換筆記、資料與資訊,而不必擔心對方是否安裝了特定軟體來建立這些資料。
2. XML 具備良好的保值性。過去四十年來,大多數電腦資料之所以流失,往往不是因為自然損害或備份媒體磨損,而是因為沒有人留下如何讀取這些媒體與格式的文件。以冷門格式保存的二進位資料,可能就永遠消失了。XML 在基本層次上採用非常簡單的資料格式,可用 100% 純 ASCII 文字書寫,也可用其他幾種定義好的格式;而 ASCII 文字幾乎不會「磨損」。
3. 便於應用之間交換資料。由於 XML 非專有、易讀易寫,使它成為跨應用交換資料的理想格式。它不受版權、專利、商業秘密或其他智慧財產權限制,功能強大之餘,對人與電腦程式而言都容易讀寫,因而成為交換語言的首選。
此外,相較於 HTML,XML 還有先天的優勢。HTML 為了在瀏覽器上增添特殊顯示效果而不斷加入新標記,日益膨脹的標籤不但讓 HTML 越來越龐大、瀏覽器開發越來越複雜,也降低了不同瀏覽器之間的相容性;更別說其顯示能力始終有限,當你想精確表達某些自己的資料時,可能就需要一些 HTML 目前尚不存在的標籤。如今 HTML 內部結構的條理性也愈發混亂,你寫的 HTML(甚至所見即所得工具自動生成的 HTML)可能在語法上錯誤百出,瀏覽器卻照樣能讀。
有了 XML,你終於能自由制定自己的標記語言,不必再處處看微軟、Netscape、W3C 的臉色。實際上,如今許多產業與機構都利用 XML 定義了專屬的標記語言,較早且典型的例子有化學標記語言 CML(Chemistry Markup Language)與數學標記語言 MathML(Mathematical Markup Language)。
先來看一份最簡單的 XML 文件:
<?xml version="1.0" standalone="yes"?>
<FOO>
Hello XML!
</FOO>
第一行是 XML 宣告:
<?xml version="1.0" standalone="yes"?>
這是 XML 處理指令的例子。處理指令以 <? 開始、以 ?> 結束,<? 之後的第一個單字就是處理指令名,此例中為 XML。
XML 宣告具有 version 與 standalone 兩個屬性。屬性是兩個以等號分隔的名值對:等號左側是屬性名,右側則是以雙引號括起的值。每份 XML 文件都以 XML 宣告開頭,用來指明所用的 XML 版本;上例中 version 屬性表示這份文件遵循 XML 1.0 規範。XML 宣告還能有 standalone 屬性,用來告訴我們文件是否需要從外部匯入其他文件;本例中,所有內容都在同一個文件裡完成,因此 standalone 設為 yes。
再看剩下三行。整體而言,這三行構成 FOO 元素:<FOO> 是起始標記,</FOO> 是結束標記,Hello XML! 則是 FOO 元素的內容。你可能會問,<FOO> 標記到底是什麼意思?答案是「你想讓它是什麼,它就是什麼」。除了數百個預定義標記外,XML 允許使用者自訂所需標記,因此 <FOO> 可以承載使用者賦予的任何意義。同一份文件也可以用 <GREETING> 或 <P> 等其他標記名來書寫,例如:
<?xml version="1.0" standalone="yes"?>
<GREETING>
Hello XML!
</GREETING>
標記有三類意義:結構、語意與樣式。結構把文件分成元素樹;語意把單一元素與外部現實事物連結起來;樣式則指定元素該如何顯示。
結構只表達文件的形式,不論單一標記之間的差異,它們都指定文件具有一個非空的基本元素,標記名稱的不同在結構上並無意義。語意的意義存在於文件之外——存在於作者心中、讀者腦中,或某些產生/讀取文件的電腦程式裡。例如,理解 HTML 但不理解 XML 的瀏覽器,可能會把段落的意義賦予 <P> 標記;而懂英語的人,往往比 <FOO> 更容易理解 <GREETING> 或 <DOCUMENT> 的含義。正如「美麗」存在於觀者心中,讓標記名稱盡可能反映其含義自然更好,因此數學、化學等學科正積極建立各自的工業標準與標記集。
第三類是樣式意義,它指定標記內容該如何在螢幕或其他輸出裝置上呈現,例如該元素要用粗體、斜體,還是綠色的 24pt 字體。電腦在理解樣式上比理解語意來得容易。在 XML 中,樣式意義是透過樣式表來施加的。
一份 XML 文件包含三部分:XML 宣告、處理指示(可選)與 XML 元素。XML 文件的基本要求是「結構良好」,而一份結構良好的文件必須具備這三部分。以下是一份完整的 XML 文件:
<?xml version="1.0" encoding="gb2312" ?>
<?xml-stylesheet type="text/xsl" href="mystyle.xsl"?>
<學生花名冊>
<學生>
<名字>李華</名字>
<籍貫>河北</籍貫>
<年齡>15</年齡>
<電話號碼>62875555</電話號碼>
</學生>
<學生>
<名字>張三</名字>
<籍貫>北京</籍貫>
<年齡>14</年齡>
<電話號碼>82873425</電話號碼>
</學生>
</學生花名冊>
處理指示用來為處理 XML 文件的應用程式提供資訊,所有處理指示都應遵循以下格式:
<?處理指示名 處理指示資訊?>
舉例來說,這個處理指示:
<?xml-stylesheet type="text/xsl" href="mystyle.xsl"?>
它指定與 XML 文件搭配使用的樣式表型別為 xsl、檔名為 mystyle.xsl。
元素是 XML 文件內容的基本單元。從語法上講,一個元素包含一個起始標記、一個結束標記,以及標記之間的資料內容,形式如下:
<標記>資料內容</標記>
此外,元素裡還可以再嵌套其他元素,資料內容因而可擴展為:
<標記1>資料內容1</標記1>
<標記2>資料內容2</標記2>
...
<標記n>資料內容n</標記n>
元素裡還能再嵌套元素,形成循環嵌套,而最外層的元素稱為根元素。一份 XML 文件只能有一個根元素。
一對標記之間出現的字元資料可以是任何合法的 Unicode 字元,但不能包含「<」——因為「<」被保留作為標記的起始符。在 XML 中,起始與結束標記之間的所有合法字元都會忠實地傳給 XML 處理程式。為了避免字元資料與標記所需的特殊符號混淆,XML 提供一些實體引用:當字元資料中需要使用這些特殊符號時,就以它的實體引用代替。這些特殊的 XML 實體引用包括:
> >
< <
& &
" "
' '
這樣一來,若我們想在「示例」這個標記中出現以下文本:
"<姓名>張三</姓名>"
正確的寫法應該是:
<示例><姓名>張三</姓名></示例>
不難理解,「<」的實體引用必不可少;為「>」設立實體引用同樣是為了避免與標記混淆;而「&」的實體引用則是為了避免它與實體引用開頭的「&」相混淆。那麼,剩下兩個字元的實體引用何時會用到呢?標記中可以設定屬性,而 XML 規定屬性值必須用雙引號括起來,因此當屬性值中出現雙引號時,就必須用實體引用代替。請看下面的例子:
<STATEMENT VALUE = "She said, "Don't go there!"">
正確的寫法應該是:
<STATEMENT VALUE = "She said, "Don't go there!"">
正如開篇所言,標記是 XML 語言的精髓,在元素乃至整份文件中都舉足輕重。XML 標記與 HTML 標記在外觀上大同小異,除了註解與 CDATA 部分之外,所有介於「<」與「>」之間的內容都稱為標記,基本形式為:
<標記名(屬性名="屬性取值")*>
不過,XML 對標記的語法規定比 HTML 嚴格得多。
大小寫有所區分:在標記中務必注意區分大小寫。HTML 裡 <HELLO> 與 <hello> 是同一回事,但在 XML 中,它們是兩個截然不同的標記。
要有正確的結束標記:結束標記除了要與起始標記在拼寫與大小寫上完全一致,還必須在前面加上一個斜槓「/」。因此若起始標記是 <HELLO>,結束標記就應寫作 </HELLO>。XML 嚴格要求標記成對,因此 HTML 中的 <BR>、<HR> 這種寫法在 XML 中並不合法。不過,當一對標記之間沒有任何文字內容時,可以省略結束標記,改在起始標記結尾加上斜槓「/」收尾,這種標記稱為「空標記」。例如 HTML 的 <HR> 在 XML 中應寫成 <HR/>。
標記要正確嵌套:一個 XML 元素中允許包含其他元素,但這些元素之間必須滿足嵌套性,不能有交叉重疊。
有效使用屬性:標記中可以包含任意多個屬性,屬性以名值對形式出現,屬性名不能重複,名稱與取值之間以等號「=」分隔,取值則用引號括起。例如:
<商品 類型="服裝" 顏色="黃色">
此例中,「類型」與「顏色」是標記「商品」的屬性,「服裝」是「類型」的取值,「黃色」是「顏色」的取值。要特別注意的是,XML 規定屬性值必須用引號括起,而 HTML 對此並無嚴格要求。
如前所述,我們可以把 XML 文件中標記以外的所有內容視為字元資料,把標記中的所有內容視為標記;但也有一個例外——在特殊的 CDATA 標記之下,所有標記與實體引用都會被忽略,而被 XML 處理程式一律當作字元資料。CDATA 的形式如下:
<![CDATA[
文本內容
]]>
聰明的讀者大概已經猜到,CDATA 的文本內容中不能出現「]]>」這個字串,因為它代表 CDATA 資料區塊的結束標誌。
前面談字元資料時說過實體引用。可以想見,當你的文字資料含有大量特殊符號時,就不得不通篇使用實體引用,把原本清晰的段落弄得一團糟。例如你想在「示例」元素中放入這麼一段 XML 程式:
<聯繫人>
<姓名>張三</姓名>
<EMAIL>zhang@aaa.com</EMAIL>
</聯繫人>
若沒有 CDATA,麻煩就來了。這個元素得改寫成下面的樣子:
<示例>
<聯繫人>
<姓名>張三</姓名>
<EMAIL>zhang@aaa.com</EMAIL>
</聯繫人>
</示例>
你得把所有標記都用實體引用改寫,最後寫出來的東西連自己都看不懂。為了避免這種不便,你可以把這些字元資料放進 CDATA 區塊,這樣不管是標記還是實體引用,都會被當成純文字照單全收。於是上面的元素就能改寫為:
<示例>
<![CDATA[
<聯繫人>
<姓名>張三</姓名>
<EMAIL>zhang@aaa.com</EMAIL>
</聯繫人>
]]>
</示例>
是不是清楚多了!
正如上一節的例子,有些時候你希望 XML 處理器把資料中引入的標記當作普通文字而非真正的標記,這時 CDATA 就派上用場。另外還有一種情況:就像在程式中加入註解一樣,你可能想在 XML 文件中加入一些純供解釋的文字,並希望處理器完全略過它們,這類文字稱為註解(COMMENT)文字。在 HTML 中,註解以「<!--」與「-->」括起,XML 的做法完全相同。以下是一份合法(但並非結構良好)的 XML 文件:
<!-- 一個 XML 的例子 -->
<![CDATA[
<聯繫人>
<姓名>張三</姓名>
<EMAIL>zhang@aaa.com</EMAIL>
</聯繫人>
]]>
</示例>
不過,在 XML 文件中使用註解時,同樣要遵守幾條規則:
<!-- 一個XML的例子
<!--以上是一個註釋-->
-->最後再強調一次:XML 處理器對註解中的一切內容都視而不見,連註解裡出現的標記也一併忽略。
要讓一份文件「結構良好」,XML 文件中的所有標記與字元資料都必須遵守前述規則,此外還有幾條關於標記與字元資料如何關聯的規則,彙整如下: