本單元整理 XML 1.0 第二版規格的附錄內容,涵蓋參考文獻、字符分類、與 SGML 的關係、實體展開規則、確定型內容模型、編碼自動偵測,以及工作組名單與文件製作說明。
依據 Unicode 的屬性定義,XML 把字符分為基字符(BaseChar,含拉丁字母)、表意字符(Ideographic)與組合字符(CombiningChar,含絕大多數變音符號),數字(Digit)與擴展符(Extender)則各自獨立成類。規格中對每一類都以完整的 Unicode 碼位區間列舉,例如:
[84] Letter ::= BaseChar | Ideographic [85] BaseChar ::= [#x0041-#x005A] | [#x0061-#x007A] | ... | [#xAC00-#xD7A3] [86] Ideographic ::= [#x4E00-#x9FA5] | #x3007 | [#x3021-#x3029] [87] CombiningChar ::= [#x0300-#x0345] | [#x0360-#x0361] | ... [88] Digit ::= [#x0030-#x0039] | [#x0660-#x0669] | ... [89] Extender ::= #x00B7 | #x02D0 | #x02D1 | #x0387 | #x0640 | ...
這些字符類可由 Unicode 2.0 資料庫推導歸納,規則要點如下:
: 與底線 _ 可作起始字符;連字號 - 與句點 . 可作名稱字符。XML 被設計為 SGML 的子集:每一份有效的 XML 文件同時也是一份合規的 SGML 文件。關於 XML 在 SGML 之上追加的限制,可參閱 [Clark] 的比較說明。
本附錄以實例說明「XML 處理器對實體和參照的處理」一節所規定的識別與展開順序。假設 DTD 中有如下宣告:
<!ENTITY example "<p>An ampersand (&#38;) may be escaped numerically (&#38;#38;) or with a general entity (&amp;).</p>" >
處理器在解析實體宣告時即展開其中的字符參照,因此存入符號表的實體值為:
<p>An ampersand (&) may be escaped numerically (&#38;) or with a general entity (&amp;).</p>
當文件引用 &example; 時,該段文字會被重新解析:其中的 <p> 起始與結束標籤被識別為真正的標記,三個參照被展開,最終產生一個含下列內容的 p 元素:
An ampersand (&) may be escaped numerically (&) or with a general entity (&).
一個更複雜的例子(行號僅為說明方便):
1 <?XML version='1.0'?> 2 <!DOCTYPE test [ 3 <!ELEMENT test (#PCDATA) > 4 <!ENTITY % xx '%zz;'> 5 <!ENTITY % zz '<!ENTITY tricky "error-prone" >'> 6 %xx; 7 ]> 8 <test>This sample shows a &tricky; method.</test>
處理過程:
xx 的值為 %zz;;因為置換文字不會被再次掃描,此時對 zz 的參照不被識別(否則反而會構成錯誤,因為 zz 尚未宣告)。< 立即展開,參數實體 zz 的值成為一段語法完整的實體宣告 <!ENTITY tricky "error-prone" >。xx,其置換文字 %zz; 被解析,接著 zz 被識別並展開,於是普通實體 tricky 在此時才被宣告,值為 error-prone。&tricky; 並展開,test 元素的內容成為 This sample shows a error-prone method.。元素型別宣告中的內容模型必須是確定型的(SGML 稱為「無歧義的」)。這主要是為了與 SGML 相容:以 SGML 系統產生的 XML 處理器可能直接把非確定型模型標為錯誤。
例如 ((b, c) | (b, d)) 就是非確定型的——讀到起始的 b 之後,處理器無法在不向前預讀的情況下判斷該走哪一條分支。改寫成 (b, (c | d)) 後,起始的 b 只有一種明確對應,就不必預讀了。
更形式化的說法:依 Aho、Sethi、Ullman 第 3.9 節的標準演算法 3.5,可由內容模型構造有限狀態自動機,並為正則運算式中的每個位置建立隨集(follow set)。若任一位置的隨集中有兩個以上的後繼位置被標為同一元素型別,該內容模型即有問題,可報為錯誤。部分但非全部非確定型模型可被自動化為等價的確定型模型,相關探討見 Brüggemann-Klein 1991。
XML 用編碼宣告指出實際採用的字符編碼,但處理器必須先知道編碼才能讀到這行宣告——看似迴圈。XML 用兩點限制化解了它:每個實作只支援有限的編碼集合,且編碼宣告的位置與內容受到嚴格規範。此外,實體交給處理器時可能伴隨外部資訊(如 HTTP 標頭、檔案系統屬性),因此分成兩種情況討論。
任何非 UTF-8/UTF-16 編碼且無外部資訊的 XML 實體,都必須以編碼宣告開頭,也就是前幾個字符必定是 <?XML。因此合乎規格的處理器只需讀入 2 到 4 個八位組即可判斷編碼(## 代表任意位元組,但連續兩個 ## 不可同時為 00):
00 00 FE FF 為 UCS-4 big-endian;FF FE 00 00 為 UCS-4 little-endian;00 00 FF FE 與 FE FF 00 00 為兩種異常順序(2143、3412);FE FF ## ## 為 UTF-16BE;FF FE ## ## 為 UTF-16LE;EF BB BF 為 UTF-8。00 00 00 3C、3C 00 00 00、00 00 3C 00、00 3C 00 00 指向 UCS-4 的四種位元組順序;00 3C 00 3F 為 UTF-16BE;3C 00 3F 00 為 UTF-16LE;3C 3F 78 6D 則代表 UTF-8、ASCII、ISO 8859 部分子集、Shift-JIS、EUC 等「ASCII 字符佔正常位置、寬度與碼值」的編碼;4C 6F A7 94 指向 EBCDIC 系列。若無編碼宣告,則視為 UTF-8;否則代表資料流被標錯、損壞、不完整,或被包在別的外層資料中。即使在不需讀宣告即可判斷的情形,規格仍要求讀取宣告並核對其中的編碼名稱與實際編碼是否一致。由於編碼宣告的內容限定為 ASCII 字符,一旦判定編碼家族,處理器就能可靠地讀完整行宣告。實務上廣泛使用的編碼都可歸入上述類別,因此 XML 的內嵌編碼標註相當可靠;但像 UTF-7 這類重用 ASCII 碼值的方案,可能無法被可靠偵測。
另外必須注意:與所有自標註系統一樣,若有軟體改動了實體的字符集或編碼卻未同步更新宣告,編碼宣告就會失效。實作者有責任確保內外資訊一致。
當實體伴隨外部資訊(例如透過檔案系統或網路協定傳輸)時,多個資訊來源之間的優先順序與衝突處理必須由承載 XML 的高階協定定義,可參考 [IETF RFC 2376] 或其後續標準中對 text/XML 與 application/XML MIME 型別的規範。為求互通,建議:若 XML 實體存在於檔案中,以位元組順序標記與編碼宣告來決定字符編碼。
本規範由 W3C XML 工作組完成並核准發表,工作組通過並不代表所有成員都同意全部內容。歷任成員包括 Jon Bosak(Sun,主席)、James Clark(技術帶領)、Tim Bray(Textuality 與 Netscape)、Jean Paoli(Microsoft)、C. M. Sperberg-McQueen(伊利諾大學)、Dan Connolly(W3C 聯絡人)、Paula Angerstein、Steve DeRose、Dave Hollander、Eliot Kimber、Eve Maler、Tom Magliery、Murray Maloney、MURATA Makoto、Joel Nava、Conleth O'Connell、Peter Sharpe、John Tigue 等。
第二版由 W3C XML 核心工作組完成,成員包括 Paul Grosso 與 Arnaud Le Hors(共同主席)、Dan Connolly(W3C 聯絡人)、Eve Maler(第二版編輯)、François Yergeau(勘誤表編輯),以及 Paula Angerstein、Daniel Austin、Tim Boland、Allen Brown、John Cowan、John Evdemon、Jonathan Marsh、MURATA Makoto、Mark Needleman、David Orchard、Lew Shannon、Richard Tobin、Daniel Veillard、Dan Vint、Norman Walsh、Kongyi Zhou 等。
第二版以 XMLspec DTD 撰寫,HTML 版由 xmlspec.xsl、diffspec.xsl 與 REC-XML-2e.xsl 這三份 XSLT 樣式表產生,PDF 版則以 Html2ps 搭配蒸餾程式製成。