XML 問世至今已經走過一段不算短的歲月,現在幾乎很難找到完全不碰 XML 的應用程式。弔詭的是,越是鑽研進階主題的開發者,反而越容易忽略最基礎的環節——解析,就是最典型的一個例子。
所有 XML 處理都從解析開始。解析器讀入 XML 文件、解釋語法,然後把有意義的物件交給應用程式;它往往還附帶驗證(確認文件符合 XML Schema 或 DTD)與命名空間解析等服務。不論你用的是 XSLT 這類高階語言,還是直接寫 Java,第一步永遠是:讀進檔案、解開結構、取出資訊。
面對一份 XML,第一個要做的決定是:用現成的解析庫,還是親手打造一個?答案毫無懸念——用現成的。幾乎每種語言都提供了成熟的實作,連 COBOL 也不例外。
XML 語法看起來不複雜,於是「用正則表達式硬解一下」的念頭總是格外誘人。但實務上很難成功:XML 要求支援多種編碼,還有 CDATA 區段、實體展開這些容易失手的細節。自製版本幾乎不可能面面俱到,最後往往變成相容性的惡夢。反觀隨開發環境附贈的解析器,通常都經過大量相容性測試——而採用標準語法的初衷本來就是為了與其他工具互通,這正是值得依賴成熟庫的典型場景。
多數解析器至少提供兩套 API:一套是物件模型 API,一套是事件(流)API。Java 平台就是標準範例,同時提供 DOM(Document Object Model)與 SAX(Simple API for XML)。兩者提供的服務其實相同——解碼、可選的驗證、命名空間解析——差別在於資料模型。
物件模型 API 定義了一個階層化的物件結構來表示 XML 文件,語法中的每個概念都有對應的類別:元素、屬性、實體、文件。解析器讀文件時,會建立語法與類別之間的一對一映射,遇到一個標記就實體化一個元素物件。
W3C 將 DOM 標準化,主要優點是可移植性:它以 CORBA 介面形式定義,再映射到各種語言,因此學會 JavaScript 的 DOM,大致也就掌握了 Java、C++、Perl、Python 中的 DOM。另一條路線是 JDOM,它是針對 Java 最佳化的 DOM,與語言特性結合更緊密,但代價是失去跨語言的可移植性。
關於「哪一種資料模型最好」的爭論其實意義不大,因為各家物件型 API 的優缺點大同小異。好處很明確:它直接對應 XML 語法,容易學習、容易使用、也容易除錯。
真正的代價是效率。解析時必須依語法結構把整棵樹建出來,而問題在於:
在桌面上處理小文件,這一切或許無關痛癢;但在伺服器這類環境下,物件模型天生的低效率就難以接受了。
事件 API 可以說是物件模型的鏡像。它不再定義一套通用資料模型,而是把建模的責任交給應用程式開發者,由程式自己決定要保留什麼。因為只需傳遞最小量的資訊,解析器本身可以做得更小;更重要的是,相比「一款模型打天下」的物件方案,針對應用需求量身打造的模型永遠更有效率。
它的優勢很具體:
代價則是簡單性。事件 API 一向以難用著稱,因為更多責任落在開發者身上。不過就經驗而言,從中期到長期來看,效率帶來的收益足以抵銷多出來的那點複雜度。
流式 API 有兩種形式:推式(push)與拉式(pull)。歷史上推式比較流行,SAX 就是代表,而它也正在標準化的路上,很快將以 StAX 的形式整合進 Java 平台。
兩者的分野在於:誰控制那個讀取迴圈?任何讀檔程式都圍繞著一個迴圈運作,而關鍵就是這個迴圈由誰主導。
推模式下,解析器控制迴圈。應用程式呼叫解析器後,在文件結束之前控制權不會回到自己手上;解析器透過回呼把資料交給應用程式,全程由它主導。
拉模式則相反,應用程式控制迴圈,由程式自己反覆呼叫解析器,直到讀完為止。
因此,推模式最適合邊讀邊處理的情境,例如讀入 RSS 摘要即時轉成 HTML 網頁。而對多數「把整份文件讀進來存資料」的應用來說,用一次呼叫解決反而最省事。拉模式則更適合需要處理多種 XML 詞彙的場合——這類程式通常得先嗅探輸入的前幾行,判斷是哪一種詞彙,再決定要呼叫哪個子程序;由應用程式掌控迴圈,才可能在嗅探完前幾行之後隨時停下。
還有第三條路,那就是 XML 編組(unmarshalling)庫,Castor 是其中代表。它的位置正好介於物件模型與事件模型之間。
核心想法是:不要通用模型,而是依 XML Schema 產生專屬的物件模型。舉例來說,若詞彙處理的是發貨單,那麼可以預期其中會有寄件方、收件方、日期、產品類別、產品標識、單價與總價。DOM 會把這些一律映射成泛用的元素類別;編組庫則為寄件方、收件方、日期、產品標識……各自建立專門的類別。
就「處理的是依詞彙定制、而非通用的資料模型」這一點而言,編組庫具備了事件 API 的部分優點,同時又保住了物件導向操作的便利。
解析器負責把資料從磁碟搬進記憶體,反方向的移動又是另一回事。如果應用程式需要把資料存成 XML 檔案呢?
奇怪的是,讀取時我勸你先別自己造輪子,寫入時卻沒那麼多顧慮。讀必須滿足全部規則,包含各種晦暗的角落;寫的時候,只要實作一個小型、可運作的詞彙子集就能工作。
話雖如此,多數物件模型 API 依然一手包辦讀與寫,除了解析還得能把物件樹寫回磁碟。若使用事件 API,則可以從既有資料結構自行產生寫入事件,掌握度更高。
沒有萬用的答案,只有清楚的取捨:文件不大、結構需要隨機存取、開發時間有限,就選 DOM 這類物件模型;文件龐大、只需單向掃過、或跑在高併發的伺服器上,就選 SAX、StAX 這類流式 API;若已有完整的 Schema 且希望型別明確、程式碼好讀,編組庫往往是最舒服的那雙鞋。