XML 文件的「物理結構」講的是一件核心事:一份文件可以由多個儲存單元拼成。這些單元稱為實體(entity),各自有名稱與內容,文件實體則是整棵樹的根、也是處理器的進入點。
實體分為已剖析與未剖析兩種。已剖析實體的內容稱為它的置換文字,會被視為文件的一部分;未剖析實體則是外部資源,內容可以不是文字、也可以是並非 XML 的文字,它必須有一個對應的記法。XML 對未剖析實體的內容不作任何限制,只要求處理器能把它的識別資訊交給應用程式。已剖析實體以實體參照呼叫,未剖析實體則透過 ENTITY 或 ENTITIES 型別的屬性值呼叫。
實體還分普通實體(general entity,用在文件內容中)與參數實體(parameter entity,用在 DTD 內)。兩者用不同形式的參照、在不同上下文中被識別,而且各自獨立命名空間——同名但分屬兩類的實體,是兩個完全不同的東西。
字符參照用來指向 ISO/IEC 10646 中的某個字符,最常見的用途是輸入那些無法直接用鍵盤打出的字符。
[66] CharRef ::= '&#' [0-9]+ ';' | '&#x' [0-9a-fA-F]+ ';'
[WFC: 合法字符]
[67] Reference ::= EntityRef | CharRef
[68] EntityRef ::= '&' Name ';' [WFC: 宣告實體][VC: 宣告實體][WFC: 已剖析實體][WFC: 無遞歸]
[69] PEReference ::= '%' Name ';' [VC: 宣告實體][WFC: 無遞歸][WFC: 在 DTD 內]
格式正確性約束:合法字符——被字符參照引用的字符必須符合 Char 產生式。以 &#x 開頭者,後續的十六進位數字即該字符在 ISO/IEC 10646 中的碼位;僅以 &# 開頭者則為十進位碼位。
實體參照使用 & 與 ; 作為定界符,參數實體參照則使用 % 與 ;。相關約束要點:
standalone='yes' 的文件中,參照所指的名稱必須在外部子集與參數實體之外被宣告過;amp、lt、gt、apos、quot 這五個預定義實體則不需宣告。普通實體的宣告必須先於任何屬性預設值中對它的參照。standalone='no' 的實體中,參照名稱必須與宣告相符;為求互通,建議以簡化形式明確宣告那五個預定義實體。參數實體參照的例子:
<!-- 宣告參數實體 ISOLat2 --> <!ENTITY % ISOLat2 SYSTEM "https://www.xml.com/iso/isolat2-xml.entities"> <!-- 隨後即可引用 --> %ISOLat2;
[70] EntityDecl ::= GEDecl | PEDecl [71] GEDecl ::= '<!ENTITY' S Name S EntityDef S? '>' [72] PEDecl ::= '<!ENTITY' S '%' S Name S PEDef S? '>' [73] EntityDef ::= EntityValue | (ExternalID NDataDecl?) [74] PEDef ::= EntityValue | ExternalID
若同一實體被宣告多次,以第一次遇到的宣告為準;處理器可以(由使用者選擇)就此發出警告。
當實體定義是一個 EntityValue 時,稱為內部實體。它沒有獨立的實體儲存物件,內容直接寫在宣告裡。注意實體值中部分實體與字符參照的處理,可能影響最終的置換文字。
<!ENTITY Pub-Status "This is a pre-release of the specification.">
[75] ExternalID ::= 'SYSTEM' S SystemLiteral | 'PUBLIC' S PubidLiteral S SystemLiteral [76] NDataDecl ::= S 'NDATA' S Name [VC: 宣告記法]
帶有 NDataDecl 的是普通未剖析實體,否則為已剖析實體。SystemLiteral 即該實體的系統識別符,是一個 URI 參照,處理器可由此取得輸入以建構置換文字;其中不得出現以 # 開頭的片段識別符。相對 URI 指相對於宣告所在資源的位置,因此可能相對於文件實體、包含外部 DTD 子集的實體,或其他外部參數實體。
URI 中出現不允許的字符時(所有非 ASCII 字符,以及 RFC 2396 第 2.4 節列出的禁用字符,但 #、% 與 RFC 2732 允許的中括號除外),必須先轉為 UTF-8 位元組,再以 %HH 形式逐位元組轉義,最後以結果序列替換原字符。外部識別符還可含公共識別符,處理器可據此嘗試產生替代的 URI;比對前必須把公共識別符中的所有空白正規化為單一空格,並去除前後空白。
<!ENTITY open-hatch SYSTEM "https://www.textuality.com/boilerplate/OpenHatch.xml">
<!ENTITY open-hatch PUBLIC "-//Textuality//TEXT Standard open-hatch boilerplate//EN"
"https://www.textuality.com/boilerplate/OpenHatch.xml">
<!ENTITY hatch-pic SYSTEM "../grafix/OpenHatch.gif" NDATA gif>
每個外部已剖析實體都應以文本宣告開頭,且必須以字面形式給出、只能出現在實體開頭:
[77] TextDecl ::= '<?xml' VersionInfo? EncodingDecl S? '?>'
文本宣告不被視為置換文字的一部分。
[78] extParsedEnt ::= TextDecl? content
一個直接結果是:XML 文件的邏輯結構與實體結構必須嚴格嵌套。起始標籤、結束標籤、空元素標籤、元素、註解、處理指令、字符參照或實體參照,都不能在一個實體中開始、卻在另一個實體中結束。
每個外部已剖析實體都可以採用不同的編碼方案,但所有 XML 處理器都必須能讀取 UTF-8 與 UTF-16 編碼的實體。以 UTF-16 編碼者必須以位元組順序標記(#xFEFF)開頭,這是編碼簽名,不屬於標記也不屬於字符資料。
[80] EncodingDecl ::= S 'encoding' Eq ('"' EncName '"' | "'" EncName "'")
[81] EncName ::= [A-Za-z] ([A-Za-z0-9._] | '-')* /* 編碼名稱只含拉丁字母 */
命名慣例:Unicode/ISO 10646 系列用 UTF-8/UTF-16/ISO-10646-UCS-2/ISO-10646-UCS-4;ISO 8859 各部分用 ISO-8859-n;JIS X-0208 系列用 ISO-2022-JP、Shift_JIS、EUC-JP。已在 IANA 註冊的編碼應使用其註冊名稱,未註冊者以 x- 為前綴。處理器比對編碼名稱時應採大小寫相異的方式。
下列情形均屬錯誤:實體實際編碼與宣告不符;實體既不以 BOM 也不以編碼宣告開頭卻非 UTF-8;實體被確認使用某編碼卻含該編碼下非法的位元組序列;實體無編碼宣告且內容既非合法 UTF-8 也非 UTF-16。TextDecl 出現在外部實體開頭以外的位置,以及遇到無法處理的編碼,都屬於嚴重錯誤。
實體可以出現的上下文分為:內容中的參照(對應 content)、屬性值中的參照(對應 AttValue)、作為屬性值(ENTITY/ENTITIES 型別)、實體值中的參照(對應 EntityValue),以及 DTD 中的參照。規格以表格規定各上下文下的處理方式:
AT&T; 展開後仍為 AT&T;,殘留的 & 不會再被視為參照定界符。要區分兩個概念:常量實體值是宣告中實際引起來的那段字串;置換文字則是把其中的字符參照與參數實體參照取代之後的結果。常量實體值中的這類參照必須完整落在值內;建構置換文字時,被引用的參數實體以其置換文字插入,被引用的字符在參照位置插入,但普通實體的參照保持不變、不展開。例如:
<!ENTITY % pub "Éditions Gallimard" > <!ENTITY rights "All rights reserved" > <!ENTITY book "La Peste: Albert Camus, © 1947 %pub;. &rights;" >
則 book 的置換文字為 La Peste: Albert Camus, © 1947 Éditions Gallimard. &rights;。等到文件內容或屬性值中真正引用 &book; 時,&rights; 才會被展開。
實體與字符參照可用於轉義左角括號、& 等定界符。amp、lt、gt、apos、quot 這組實體專為此用途而存在。所有 XML 處理器無論它們是否被宣告,都必須能識別這五個實體;但為求互通,有效的文件應像其他實體一樣先宣告再使用。若宣告 lt 或 amp,其置換文字必須是對應被轉義字符的字符參照(需轉義兩次才能得到格式正確的結果);gt 等三者則可直接放字符。
<!ENTITY lt "&#60;"> <!ENTITY gt ">"> <!ENTITY amp "&#38;"> <!ENTITY apos "'"> <!ENTITY quot """>
記法用名稱標識未剖析實體的格式、具有記法屬性之元素的格式,或處理指令所針對的應用程式。
[82] NotationDecl ::= '<!NOTATION' S Name S (ExternalID | PublicID) S? '>'
[VC: 唯一的記法名稱]
[83] PublicID ::= 'PUBLIC' S PubidLiteral
同一名稱只能被一個記法宣告使用。處理器必須把屬性值、屬性定義或實體宣告中定義或引用的記法名稱與外部識別符交給應用程式,也可以進一步把它解析為系統識別符、檔名或其他資訊;但若系統上沒有能處理該記法的應用程式,並不構成錯誤。
文件實體是實體樹的根,也是 XML 處理器的處理起點。規格不規定 XML 如何定位文件實體——與其他實體不同,它沒有名稱,而且可以完全不帶識別資訊地出現在處理器的輸入流中。