專欄作家 Uche Ogbuji 深入咀嚼了 XMLOpen 會議上提出的幾個觀點——這場 9 月於英國劍橋舉行的盛會,聚集了 XML 處理領域的許多先進。值得細談的題目包括 XML 規格、語義 Web、XML 管道、Web Proper Names 與資料型別。他並從實用角度對《XML Hacks》一書做 further 評析,延續上一期對這本技巧之書的介紹。
Punt 是一種平底小船,有點像威尼斯常見的貢多拉,在流經劍橋的卡姆河上悠悠滑行;這條河平靜而莊重地穿過世界上最著名學府的校園。三天裡搭船趕來參加 XMLOpen 2004(9 月 21 至 23 日)的專家學者,會場上聽到的卻是另一番風景:對 W3C XML Schema(WXS)與 Web 服務規格的大量質疑、對 XPath 2.0 與 XQuery 的褒貶、對 RELAX NG 與 ISO DSDL 的推崇,以及對「用程式語言與框架來處理 XML」的鼓吹(在某種程度上並非主流)。這些議題交會在一起,很自然地把講者與那些投身前衛 XML 工具與技術的人分了出來。
與會者來自英國各地,也有歐洲、美國、澳洲、日本等地的朋友。我在開場致詞裡點明主題:XML 與開放標準、開放原始碼的交會。本文挑出其中與我在其他 developerWorks 文章談過的問題相關的部分來寫,文末則補完上一期開始的《XML Hacks》評析。
Schematron 的締造者 Rick Jelliffe 一開場就宣布:XML 模式與報告語言已經拿到足夠票數,將被批准為 ISO 委員會草案標準,成為 ISO Document Schema Definition Languages(DSDL)第 3 部分的「Rule-based validation」。我在最近一篇 Schematron 實用入門裡介紹過這個重要的準標準。由於 Schematron 的實作日益增加,並獲得愈來愈多語言支援,它一直是這場會議的熱門話題。
Jelliffe 的演講實際上講的是「如何度量 XML 模式的複雜度」這套經驗。核心想法是:用一個序數值來評估「針對某個詞彙表及其典型應用,完成某項處理任務(例如撰寫 XSLT 轉換)的難度」。他的公式大致是計算元素型別、屬性與各種特殊情況的數量,資料來源可以是 DTD,也可以是一或多份實例文件。雖然細節上仍有不同意見——例如複合內容處理中結構化欄位與控制詞彙表的範圍該怎麼算——但其他人已經考慮過、甚至實作過類似想法。我提到在 Fourthought(我是那裡的顧問),我們做過一種輕量的度量法:只要客戶給出需要的詞彙表概貌,就能估出用 RELAX NG 撰寫模式的難度。日後是否會出現一套通用的 XML 語言複雜度量測法,或者沿著 ISO 軟體品質標準的路子把它標準化,值得持續關注。
本專欄先前的文章,特別是〈知識管理的基本 XML 與 RDF 技術(第七部分)〉,談過與語義 Web 有關的話題。語義 Web 是 W3C 雄心勃勃的下一代 Web 計畫,目標是把文件的意義與上下文明確標註出來。語義 Web 技術用 URI 作為所有涉及對象的基本標識符,無論那是電腦記錄、客觀事物還是抽象概念。而它面臨的一個挑戰是:如何為「某個事物本身」建立可靠的 URI,而不是只指向事物的某一個切面。舉例說,用語義 Web 語言描述一個人時,人們常拿他的個人首頁來代表他,但這就把「首頁本身」和「對這個人的描述」混為一談了。
開發者、研究者、W3C 職員,同時也是知名 XSL 與 Schema 工作小組成員的 Henry Thompson,提出用一個新的 URI 方案來解決這件事,叫做 Web Proper Names(WPN)。依 WPN 的構想,URI 以知名搜尋引擎(如 Google)的搜尋結果為基礎來構造,內容包含搜索引擎、使用的搜尋條件、搜尋日期與語系,以及某個人對搜尋結果進行相關性檢查的程度——這個關鍵人物稱為「所有者」,或者照 Thompson 的說法叫「施洗者」,也就是為這個名字負責的人或實體。施洗者通常就是執行搜尋並檢查結果的那個人。
舉個 WPN 的例子。若要斷言某個具體的人,該做的是用他的姓名搜尋,並以適當條件縮小範圍,取得與這個人有最密切關聯的結果。因此,假設有兩個「Ralph Parker」,一個做材料工程,一個從事醫藥;若想描述後者,可以指定排除出現「材料」字樣的頁面。搜尋引擎可能回傳 Ralph Parker 的首頁,而您原本可能打算拿它當成代表這個人的 URI。但用了 WPN,就更明確地指出:我們要描述的不是那個網頁(也不是搜尋結果裡的其他任何頁面),而是與這些網頁相關的那個對象。WPN 可能很長,下面是 Thompson 舉的艾菲爾鐵塔的例子:
wpn://www.ltg.ed.ac.uk/~ht/WPN/EiffelTower?
terms=eiffel+tower+paris+-hotel+-webcam&ln=en&
se=www.google.com&dt=2004-05-21&rs=17&cs=5&pc=8
(註:這段程式原本是一整行,為了排版與列印方便,這裡拆成多行。)
我曾在一次訪談中指出:依某些支持者的說法,語義 Web 的抱負可能超出了「下一代 Web」的能力範圍。資訊技術建立在這樣一個前提上——我們處理的資料,只是客觀事物的相似物。我們操作的是人員、組織、地點、觀念的電腦記錄,而不是那些事物本身。名稱、詞語與意義的哲學體系古老而且爭議極多;一旦稍微碰觸「電腦標識符在現實世界中的確切含義」這類問題,就會引出無限的複雜性與陷阱。語義 Web 更該做的是:為 Web 作者提供便宜、簡單的工具(更具體地說,就是有開放原始碼替代方案、而且半天就能學會的工具),讓他們能用相關概念註解自己的頁面;然後讓依興趣聚攏的社群慢慢長出約定俗成的慣例——就像人們碰到資訊共享問題時一向做的那樣。在封閉系統裡(例如單一組織),約定可以靠行政手段強制執行,結果是標識符的含義由組織政策定死。而對語義 Web 來說,強迫採用統一的標識符甚至統一的慣例,幾乎是不可能任務——不論您支持 RDF 還是主題對映。
最後,Thompson 的構想很有創意,而我打算用不那么雄心勃勃的方式來用它。舉例說,在 Weblog 裡定義並描述它的主題,似乎是個不錯的用法,特別是 WPN 能被轉化成 HTTP URL,而後者又對得上 Resource Directory Description Language(RDDL)——請參閱我寫的〈將 RDDL 用於 XML 與 Web 服務名稱空間〉。
Sean McGrath 長期鼓吹 XML 管道,他稱之為「把系統看成資料流,而不是一組物件 API」的方式。XML 管道把 XML 處理專案分解成更小的任務,分別交給獨立、可重複使用的處理階段完成。舉例說,一個階段負責重新命名 XML 文件中的某些元素,另一個階段依換行規則在文字裡補上新行字元,最後再把文件轉成純文字輸出。管道屬於傳統的「分而治之」思路,基本上所有程式設計師都熟悉;但請注意,McGrath 與其他管道支持者強調的重點不是把演算法切成可管理的小塊,而是資料與資料轉換。他承接軟體工程先驅 Michael Jackson 的想法:所有待處理的資料,都能分解成隨時間流動的資料流。McGrath 認為,Web 服務與許多既有的 XML 處理實踐,硬把資料塞進當紅的程式技術裡,招來了不必要的複雜性;管道則把 XML 之所以成功的簡潔與多樣性給還了回來。
McGrath 談到管道的許多特點:相對容易稽核與除錯、階段重用的價值,以及每個階段都能用最順手的工具撰寫——有人用 SAX,有人用 DOM,有人用 XSLT。他也談到在資料流之間合併與分裂的技術,以及 delta schemata:用模式去計算管道階段之間的中間資料量。管道以多種面貌出現在 XML 領域,包括 ISO 的 DSDL——它正是用管道式的方法,把 XML 模式的各個面向拆成更小、更獨立的規範。XML 最佳實踐仍在演進,但許多專家同意:某種形式的管道,就是 XML 處理實踐的未來。
WXS 資料型別規範(WXS 的第 2 部分)常被其他規範引用,尤其是 W3C 自己的規範,但也飽受批評:有人認為它是一個隨意湊出、過度複雜的型別集合,往往滿足不了實際需求。Jeni Tennison 研究這個問題有一段時間,並開發了 Data Type Library Language(DTLL),作為自訂 XML 資料型別的方法。她的靈感來自一個觀察:實際的 XML 資料更多是給人讀的,而不是給機器處理的表示形式。這個觀點與 RELAX NG 非常契合——事實上,DTLL 的主要目標就是為 RELAX NG 定義型別庫。RELAX NG 是 ISO DSDL 的第 3 部分,而 DSDL 的「Part 5: Data types」目前正是 DTLL 的候選位置。
DTL L 的做法是:用正則表示式把資料型別分解成各個成分(例如 RGB 色彩值裡的紅、藍、綠),藉此告訴解析器該如何解析這個型別;接著可以表達該如何進行相等比較,或如何規定先後順序,於是在 XSLT 的 xsl:for-each 或其他處理設定裡都能方便使用。DTLL 支援型別成分的繼承(超型別),也具備其他讓型別庫模組化與重用的特性。總體來說,這些設計來自對現有常用 XML 詞彙表所用型別的細緻分析,涵蓋 DocBook、XHTML、SVG、MathML 等(我在〈XML 標準概覽:第 4 部分〉中介紹過)。把 XML 這種文字格式,綁定到那些通常使用非文字資料的型別與系統上,涉及一些非常困難的問題;Tennison 對此思考得很深,也坦承還有若干問題尚未解決。DTLL 仍然年輕,但憑其優點加上 ISO 的支持,相信很快您就會用它來處理與自身需求密切相關的資料型別。
我把《XML Hacks》又讀了一遍。Hack #92「Use Elements Instead of Entities to Avoid the 'amp Explosion Problem'」處理的是一個常見的糊塗:把已經轉義過的文字再轉義一次,結果產生「&」這類無意義又難以辨認的字串。書中給的解法,是用特殊元素來表示這類實體,等處理流程走而要再換回真正需要的替代體(大概也是透過前面說的管道)。
我懷疑這個措施是否必要。一套 XML 系統若能確實掌握每一段文字的來源與狀態,這個問題根本不會發生。具體地說,系統必須知道在 XML 表示中,這段文字是否已經轉義過。少了這層追蹤,造成的傷害會遠大於多出來的實體轉義。我不贊同書中的解法,因為那是用「補償處理缺陷」的方式,換來更高的整體複雜度——補得越多,越難維護。最好的做法是把根因修掉。如果您用的是處理管道,關鍵就在於替每個階段的輸入與輸出訂好契約,明確約定資料是否已轉義。
看到 XML 處理領域逐漸成熟,令人欣慰;前幾篇談過的那本書、以及剛落幕的 XMLOpen,都是明證。在這段關鍵時期裡,逐步凝結出专业化的慣例與標準,是充分發揮 XML 優勢的核心工作——而正是這些優勢,把這麼多人吸引進來。我強烈建議您也投入其中,最簡單的方式,就是到 Thinking XML 討論區分享您的想法與經驗。