本章整理 XML 1.0 第二版規範的第 2 章「文件」,涵蓋格式正確(well-formed)文件的定義、字元處理、通用語法成分、註解、處理指令、CDATA 區段、文件類型聲明、獨立文件聲明、空白與行尾處理,以及語言標識。
【定義】當一個資料物件满足本規範中「格式正確」的定義時,它就是一個 XML 文件。一份格式正確的 XML 文件可以進一步是「有效的」,前提是它还满足某些額外的約束。
每一份 XML 文件都有邏輯與物理兩種結構。物理上,文件由稱為「實體」的單元組成,一個實體可以引用其他實體並將它們包含在文件中,文件則起始於「根」實體(即文件實體)。邏輯上,文件由宣告、元素、註解、字元參引與處理指令組成,這些成分都以明確的標記指明。邏輯與物理結構都必須嚴格嵌套。
【定義】一個文字物件是格式正確的 XML 文件,若它满足:
document 產生式的定義。[1] document ::= prolog element Misc*
符合 document 產生式意味著兩件事:文件包含一個或多個元素;其中有且僅有一個稱為根或文件元素的元素,它不出現在任何其他元素的內容之中。對於其他所有元素,若起始標籤在某元素的內容中,則其結束標籤也在同一元素的內容中——換句話說,以起始與結束標籤為界的各元素必須嚴格嵌套。
【定義】這樣做的結果是:對每一個非根元素 C,文件中另有元素 P,C 在 P 的內容中,而不在其他任何被 P 所包含的元素的內容中。P 稱為 C 的父元素,C 稱為 P 的子元素。
【定義】一個已剖析實體包含文字,文字是字元構成的序列,可以表示標記或字元資料。【定義】一個字元是 ISO/IEC 10646 中定義的文字最小單元。合法字元包括定位字元、回車、換行,以及 Unicode 與 ISO/IEC 10646 中定義的合法字元。XML 處理器必須能接受下列 Char 產生式所定義範圍內的任意字元;規範並不鼓勵使用 Unicode 中定義的「相容字元」。
[2] Char ::= #x9 | #xA | #xD | [#x20-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF]
把字元碼編碼成位元模式的機制在實體之間可能有所不同。所有 XML 處理器都必須接受 UTF-8 與 UTF-16 編碼,用於指出所用編碼或指定其他編碼的機制另有專章討論。
S(空白)表示一個或多個空格(#x20)、回車、換行與定位字元的組合:
[3] S ::= (#x20 | #x9 | #xD | #xA)+
字元被分為字母、數字與其他字元三類。字母可以是字母表上的字母、音節基字元,或表意字元。
【定義】名字是以字母或某些標點符號開頭的記號,後接字母、數字、連字號、底線、冒號或句號。以「XML」(含任何大小寫組合)開頭的名字被保留,供本規範此版本或後續版本標準化之用。
[4] NameChar ::= Letter | Digit | '.' | '-' | '_' | ':' | CombiningChar | Extender [5] Name ::= (Letter | '_' | ':') (NameChar)* [6] Names ::= Name (S Name)* [7] Nmtoken ::= (NameChar)+ [8] Nmtokens ::= Nmtoken (S Nmtoken)*
建議:XML 中的名稱空間賦予了含冒號的名字某種含義,因此除非用於名稱空間,文件作者不應在名字中使用冒號;但 XML 處理器應接受冒號作為合法的名字字元。
常數資料是任何以引號括起的字串(不含作為定界符的引號),用於指明內部實體的內容、屬性值與外部識別符。注意,對 SystemLiteral 的語法分析可以跳過標記掃描。
[9] EntityValue ::= '"' ([^%&"] | PEReference | Reference)* '"'
| "'" ([^%&'] | PEReference | Reference)* "'"
[10] AttValue ::= '"' ([^<&"] | Reference)* '"' | "'" ([^<&'] | Reference)* "'"
[11] SystemLiteral ::= ('"' [^"]* '"') | ("'" [^']* "'")
[12] PubidLiteral ::= '"' PubidChar* '"' | "'" (PubidChar - "'")* "'"
[13] PubidChar ::= #x20 | #xD | #xA | [a-zA-Z0-9] | [-'()+,./:=?;!*#@$_%]
雖然 EntityValue 產生式允許定義只含單一 < 的實體(如 <!ENTITY mylt "<">),但強烈建議避免這種寫法,因為對該實體的任何引用都會引起格式正確性錯誤。
文字由字元資料與標記混合構成。【定義】標記包括起始標籤、結束標籤、空元素標籤、實體參引、字元參引、註解、CDATA 區段定界符、文件類型聲明、處理指令、XML 宣告、文字宣告,以及任何位於文件實體頂層的空白(即在文件元素之外、且不在任何其他標記之中)。【定義】其他所有非標記的文字,組成文件的字元資料。
「&」與左角括號「<」只有作為標記定界符,或出現在註解、處理指令、CDATA 區段中時,才能以常數形式出現。若在其他位置需要這兩個字元,必須用數值式字元參引轉義,或分別寫成 & 與 <。右角括號可以用 > 表示;當它出現在內容中的字串「]]>」但該字串並不表示 CDATA 區段結束時,基於相容性考慮必須以 > 或字元參引轉義。
在元素內容中,字元資料可以是不含任何標記起始定界符的任意字串;在 CDATA 區段中,則可以是不含區段結束定界符「]]>」的任意字串。為了讓屬性值能包含單引號與雙引號,單引號可寫成 ',雙引號可寫成 "。
[14] CharData ::= [^<&]* - ([^<&]* ']]>' [^<&]*)
【定義】註解可以在其他標記之外的文件中任何位置出現,也可以在文件類型聲明中文法允許的地方出現。它們不是文件字元資料的一部分,XML 處理器可以(但非必須)讓應用程式取得註解的文字。基於相容性考慮,字串「--」(雙連字號)不能在註解中出現。註解中的參數實體不被辨識。
[15] Comment ::= '<!--' ((Char - '-') | ('-' (Char - '-')))* '-->'
範例:<!-- declarations for <head> & <body> -->
注意此語法不允許註解以 ---> 結尾,因此 <!-- B+, B, or B---> 不是格式正確的。
【定義】處理指令(PI)允許文件中包含由應用程式處理的指令。
[16] PI ::= '<?' PITarget (S (Char* - (Char* '?>' Char*)))? '?>'
[17] PITarget ::= Name - (('X' | 'x') ('M' | 'm') ('L' | 'l'))
PI 不是文件字元資料的一部分,但必須傳遞給應用程式。PI 以「PITarget」開頭,用於指示要傳給哪個應用;目標名稱 XML 等保留給本規範此版本或後續版本標準化之用。參數實體在處理指令中不被辨識。
【定義】CDATA 區段可以出現在字元資料可出現的任何地方,用於轉義那些會被辨識為標記的文字區塊。它起始於 <![CDATA[,結束於 ]]>。
[18] CDSect ::= CDStart CData CDEnd [19] CDStart ::= '<![CDATA[' [20] CData ::= (Char* - (Char* ']]>' Char*)) [21] CDEnd ::= ']]>'
在 CDATA 區段內,只有 CDEnd 字串被辨識為標記,因此左角括號與「&」可以以常數形式出現,不需要(也不能)轉義為 < 與 &。CDATA 區段不能嵌套。
範例:在 <![CDATA[<greeting>Hello, world!</greeting>]]> 中,那些標籤被視為字元資料而非標記。
【定義】XML 文件應該以一個 XML 宣告開始,其中指明所用 XML 的版本。以下是一份完整、格式正確但非有效的 XML 文件:
<?xml version="1.0"?> <greeting>Hello, world!</greeting>
版本號「1.0」用於表明與本規範本版本一致;若使用了「1.0」卻與本版本不一致,那是文件的一個錯誤。XML 工作組保留賦予後續版本不同版本號的權利,但這並不代表開發後續版本的承諾。提供這個構造,是為了在需要時能進行自動版本識別;當處理器收到標示著它們不支援的版本的文件時,可以給出錯誤。
XML 文件中標記的功能是描述文件的儲存格式與邏輯結構,並把屬性—值對與邏輯結構關聯起來。XML 提供一種稱為文件類型聲明的機制,用於定義對邏輯結構的約束、支援預定義儲存單元的使用。【定義】若一份 XML 文件有相應的文件類型聲明並遵循其中的約束,則稱它是有效的。文件類型聲明必須位於文件第一個元素之前。
[22] prolog ::= XMLDecl? Misc* (doctypedecl Misc*)?
[23] XMLDecl ::= '<?xml' VersionInfo EncodingDecl? SDDecl? S? '?>'
[24] VersionInfo::= S 'version' Eq ("'" VersionNum "'" | '"' VersionNum '"')
[25] Eq ::= S? '=' S?
[26] VersionNum ::= ([a-zA-Z0-9_.:] | '-')+
[27] Misc ::= Comment | PI | S
【定義】XML 文件類型聲明包含或指向標記聲明,標記聲明提供某一類文件的文法,這種文法稱為文件類型定義(DTD)。文件類型定義可以指向一個外部子集(一種特殊類型的外部實體),可以在內部子集中直接包含標記聲明,或兩者兼用;一份文件的文件類型定義由這兩個子集合併組成。
【定義】標記聲明可以是元素類型聲明、屬性表聲明、實體聲明或記法聲明。它們可以全部或部分地包含在參數實體中。標記聲明可以全部或部分由參數實體的置換文字組成;規範中描述的各產生式,說明的都是「所有參數實體被包含之後」的聲明。
除了在常數、處理指令、註解與被忽略的條件區段中出現的參數實體參引之外,DTD 中其他任何位置的參數實體參引都被辨識。內部子集中參數實體參引的使用另有約束。
幾條重要約束:
extSubset 產生式。[30] extSubset ::= TextDecl? extSubsetDecl [31] extSubsetDecl ::= ( markupdecl | conditionalSect | DeclSep)*
外部子集與外部參數實體和內部實體不同之處在於:在它們裡面,參數實體參引不僅可以出現在標記聲明之間,還可以出現在標記聲明之內。此外,外部子集與外部參數實體的內容可以透過條件區段被有條件地忽略,內部子集則不允許這麼做。
若同時使用外部與內部子集,內部子集被視為出現在外部子集之前,這意味著內部子集中的實體與屬性表聲明具有較高的優先級。
當文件從 XML 處理器遞交給應用程式時,標記聲明可能影響其內容——屬性預設值與實體聲明就是例子。作為 XML 宣告一個成分的獨立文件聲明,用來指明是否存在著在文件實體之外、或在參數實體中的聲明。【定義】外部標記聲明定義為出現在外部子集或參數實體(外部或內部)中的標記聲明。
[32] SDDecl ::= S 'standalone' Eq (("'" ('yes' | 'no') "'") | ('"' ('yes' | 'no') '"'))
值「yes」表示對於文件實體沒有任何外部標記聲明會影響從 XML 處理器傳遞給應用的資訊;值「no」表示有或可能有這樣的外部標記聲明。注意,獨立文件聲明只是表示外部聲明的存在——若文件中引用了已在內部聲明的外部實體,並不影響它的獨立狀態。
若不存在外部標記聲明,獨立文件聲明沒有意義;若存在外部標記聲明但沒有獨立文件聲明,則假定取值為「no」。
【有效性約束】獨立文件聲明必須取值為「no」,若任何外部標記聲明中包含:
範例:<?xml version="1.0" standalone='yes'?>
編輯 XML 文件時,用空白(空格、定位字元、空行)分隔標記以提升可讀性是很常見的做法,通常在交付版本中並不希望保留這些空白。另一方面,有意義的空白(如詩歌與原始碼中的縮排)則必須保留。
XML 處理器必須始終把所有非標記的字元傳遞給應用程式;進行驗證的處理器還必須同時通知應用,這些字元中哪些組成了出現在元素型內容中的空白。
可以在元素上附加一個名為 xml:space 的特殊屬性,通知應用應保留該元素中的空白。在有效的文件中,它與其他屬性一樣必須先宣告,且必須宣告為列舉型別,取值為 default 與 preserve 之一或兩者:
<!ATTLIST poem xml:space (default|preserve) 'preserve'> <!ATTLIST pre xml:space (preserve) #FIXED 'preserve'>
default 表示可對該元素使用應用的預設空白處理模式;preserve 表示應用應保留所有空白。這適用於該元素內容中的所有元素,除非被另一個 xml:space 實例覆蓋。文件的根元素被認為對應用的空白處理方式不作要求,除非它為此屬性賦了值或將其宣告為帶預設值。
為編輯方便,儲存 XML 已剖析實體的電腦檔案常以行組織,這些行通常以回車(#xD)與換行(#xA)的某種組合分隔。
為簡化應用的工作,XML 處理器應在把字元傳給應用之前,把外部已剖析實體(含文件實體)中的兩字元序列「#xD#xA」,以及沒有後隨 #xA 的單一 #xD,轉換成單一個 #xA 字元。
進行文件處理時,標識出其內容所使用的自然或形式化語言經常很有用。可以在文件中插入一個名為 xml:lang 的特殊屬性,用於指出 XML 文件中任何元素的內容與屬性所使用的語言。在有效的文件中,此屬性與其他屬性一樣必須先宣告。其值是 IETF RFC 1766《Tags for the Identification of Languages》或其後續 IETF 標準中定義的語言標識符。
RFC 1766 中的標籤由 ISO 639 定義的兩字母語言碼與 ISO 3166 定義的兩字母國家碼構成,或由 IANA 註冊的語言標識符構成;其後續標準預計將引入三字母語言碼,用以表示 ISO 639 未涵蓋的語言。
範例:
<p xml:lang="en">The quick brown fox jumps over the lazy dog.</p> <p xml:lang="en-GB">What colour is it?</p> <p xml:lang="en-US">What color is it?</p>
xml:lang 所表示的語言選擇,適用於它所處元素的所有屬性與內容,除非被該內容中某元素內的另一個 xml:lang 實例覆蓋。
一個簡單的宣告形式為:
xml:lang NMTOKEN #IMPLIED
但若情況合適,也可以給出特定的預設值。例如在一本供英國學生使用的法文詩歌集中,詩作是法文而評註與注解是英文,宣告可以這樣寫:
<!ATTLIST poem xml:lang NMTOKEN 'fr'> <!ATTLIST gloss xml:lang NMTOKEN 'en'> <!ATTLIST note xml:lang NMTOKEN 'en'>
如此一來,文件作者只要在少數需要偏離預設的地方覆寫 xml:lang 即可,其餘內容自動繼承正確的語言標示。