XML

por Daniel M. Germán (dmg@csg.uwaterloo.ca)

Estructura en Documentos

Todos los documentos tienen estructura
Implícita (periódicos y revistas)
- ejemplo: El Título de un artículo, la importancia del artículo en un periódico
- Interpretación depende de dicha estructura
Explícita
- Reglas tipográficas de los diccionarios

Anotaciones

Un texto sin anotaciones es una simple cadena de caracteres
En el mejor de los casos, equivalentes al resultado de una máquina de escribir.
Procesadores de texto agregan montones de anotaciones.

Definición Anotación

Anotación: Todo aquello que es parte de un documento electrónico que no es texto imprimible.
Lenguaje de anotación reglas que describen como deben realizarse estas anotaciones, bajo que condiciones se permiten y su significado.

Anotaciones: para qué

Separan los elementos lógicos de un documento: título, capítulo, verso, párrafo, referencia, etc.
Especifican las operaciones tipográficas que han de realizarse sobre el documento

Tipos de anotaciones

Procedural: Los lenguajes procedurales describen operaciones tipográficas
Estructurales: Estos lenguajes describen la estructura lógica del documento, pero no su tipografía
Híbridos: combinación de ambos

Estructurales mejores que los procedurales

Dos elementos estruc. diferentes pueden estar anotados proc. en la misma forma.
- V. gr. ¿qué significa algo entre cursivas?
Dos elementos estruc. diferentes pueden ser anotados estruc. en formas diferentes, aún si son tipografiados en la misma forma.
¡Las operaciones tipográficas no deben mezclarse con el contenido!

Separación entre estructura y tipografía

Anot.Estruc. requiren de una función que traduzca las anotaciones a operaciones tipográficas:
- Hoja de Estilo (style sheet)
¡Independencia entre contenido y presentación!

XML

eXtensible Markup Language (lenguaje de anotación extendible)
Subconjunto de SGML (Standard Generalized Markup Language)
XML es una versión simplificada de SGML

XML como metalenguaje

XML es un metalenguaje:
- Se utiliza para crear lenguajes de anotación, no para anotar texto per se.
- Permite al usuario definir sus propios lenguajes de anotación adaptados a sus necesidades.

XML como sucesor de HTML

HTML es un lenguaje de anotación genérico y además híbrido
- Especifica muy poco sobre la estructura del documento
- Combina tipografía y contenido al mismo tiempo
- Difícil de mantener
- Ha sido malutilizado
XML trata de eliminar estos problemas.

XML como alternativa a SGML

Cuando XML se diseño, se decidió que :

XML debería ser fácilmente utilizable en Internet
XML debería soportar una amplia variedad de aplicaciones
XML debería ser compatible con SGML
Debiera ser fácil escribir programas en para procesar documentos en XML
El número de características opcionales de XML debe ser mínimo, idealmente 0
Los documentos en XML deben ser fáciles de leer
El diseño de XML debiera ser formal y conciso
Debiera ser fácil crear documentos en XML
Que tan terso es XML es de mínima importancia

Componentes de XML

Un documento se compone de elementos (v.gr.H1 es un elemento de HTML)
Cada elemento a su vez puede contener otros elementos o entidades
Las entidades funcionan abreviaciones ("defines" de C) (´ en lugar de á)
Un elemento puede tener atributos (propiedades) que indican información sobre como el elemento debe ser procesado (width es un atributo del elemento table)
Cada documento en XML debe seguir las reglas de una DTD y de XML (documento válido)

Character data y Markup

Un documento es character data y markup mezclado.
Markup se compone de etiquetas de inicio y de final, entidades, comentarios, delimitadores de CDATA, DTD e instrucciones de procesado.
Todo lo demás es character data.

Hello World

Un ejemplo de un documento en XML:

<?xml version="1.0"?>
<!DOCTYPE mensaje [
   <!ELEMENT mensaje (#PCDATA)>
]>
<!-- este es un comentario -->
<mensaje>Hello, world!</mensaje>

hello.xml

Prólogo y Declaración de un documento

Los documentos en XML inician con una declaración de XML especificando la versión de XML que utilizan.
```
<?xml version="1.0"?>
```
Deben ser seguidos de la declaración de su DTD (document type declaration)
```
<!DOCTYPE mensaje [
   <!ELEMENT mensaje (#PCDATA)>
]>
```
La declaración de su DTD puede hacerse externa al documento:
```
<!DOCTYPE mensaje SYSTEM "mensaje.dtd"> 
```

Comentarios

Los comentarios pueden ocurrir en cualquier lugar fuera de otro markup
```
  
```

Espacio en Blanco y Final de Lineas

En XML, los espacios son separadores (LF, RET, TAB)
En algunos casos el espacio en blanco es significativo (v.gr. PRE)

Se puede usar el attributo xml:space

      <!ATTLIST poema xml:space (default|preserve) 'preserve')>

En el caso del final de líneas, el procesador de XML reemplaza cualquier combinacíon de LF y RET con sólo un LF

Elementos vacíos

Bajo ciertas circunstancias un elemento puede no tener contenido.
En XML se deberán denotar por:
```
<nombre-elemento/>
```
Ejemplo:
```
<!ELEMENT HR EMPTY>
...
<hr/>
```

Declarationes de Elementos

Ayuda a restringir el contenido de un elemento

<!ELEMENT br         EMTPY>
<!ELEMENT p         (#PCDATA|emph)*>
<!ELEMENT container  ANY>

Contenido "Elemento" (element content)

Cuando un elemento tiene contenido diferente a character data
El nombre de un elemento puede estar seguido de un caracter que modifica cuantas veces pueda aparecer:
- Si no está seguido por nada, debe aparecer una sóla vez:
```
<!ELEMENT   mascota (nombre)>
```
- ?: opcionalidad, una o cero veces.
```
<!ELEMENT   empleado (esposa?)>
```
- *: cualquier número de veces
```
<!ELEMENT   seccion (p*)>
```
- +: una o muchas veces
```
<!ELEMENT   libro (seccion+)>
```
A su vez, se pueden combinar varios elementos de la siguiente forma:
- sequencia: cada nombre de elemento se separa por coma, cada elemento debe estar presente en el orden que se especifica
```
<!ELEMENT   empleado (nombre+, apellido, hijo*)>
```
- opcionalidad: se elije un elemento dentro de una lista (se separa por |
```
<!ELEMENT   animal (mamifero|oviparo)>
```
Finalmente, los paréntesis pueden agrupar estas reglas:
```
<!ELEMENT div1 (head, (p | list | note) *, div2)>
```

Contenido Mixto

Un elemento tiene contenido mixto cuando contiene texto opcionalmente intermezclado con elementos
El tipo de los elementos puede estar restringido, pero no el orden en que aparecen:
```
<!ELEMENT  p (#PCDATA|a|ul|b|i|em)*>
<!ELEMENT  b (#PCDATA)>
```

Definiendo Atributos

Los atributos especifican características especiales que aplican a un elemento en particular.

Declaración:

<!ATTLIST subject form (bold|italic|normal) "normal">
...
<subject form="italic">...</subject>
<subject>...</subject>

En este ejemplo: Subject es el nombre del elemento al que aplican.
form es el nombre del atributo
(bold|italic|normal) son los valores posibles del atributo.
"normal" es el valop omisión del atributo

Otros tipos de Atributos: ID

ID: cada atributo tenga un valor diferente.

<!ATTLIST figure id ID #REQUIRED>
...
<figure id="patito"/>

Haciendo referencia a un ID: IDREF

IDREF hace referencia a un ID

Se verifica que el ID exista

<!ATTLIST figref refid IDREF #implied>
...
<figref idref="patito"/>

Entidades

Las entidades sirven dos propósitos:
- Abreviaturas
- Para integrar caracteres no incluídos en en conjunto de caracteres.

Ejemplos:

<!-- CDATA evita que su contenido sea interpretado -->
<!ENTITY eacute CDATA "&#233;"> 
<!ENTITY buap "Benem&eacute;rita Universidad Aut&oacute;noma de Puebla">
...
&buap;

Entidades refiriendo a archivos externos

La especificación SYSTEM especifica el nombre de un archivo.
```
<!ENTITY apendice SYSTEM "http://www.acme.com/patito.xml">
```

Entidades Predefinidas

Existen cinco entidades que deben ser reconocidas ya sea que estén definidas o no:
- lt: <
- gt: >
- amp: &
- apos: '
- quot: "

Instrucciones de Procesado

No son parte del documento sino que ofrecen al procesador información adicional:
```
<?xml version="1.0"?>
```

Secciones CDATA

Permiten integrar texto en un docto en XML que de otra forma sería interpretado como etiquetas:
```
<![CDATA[<patito>This is the sea</patito>]]>
```

Definiendo un lenguaje

DTD, Document Type Definition es un documento que describe formalmente las características de una clase de documentos.
La DTD permite al procesador saber las características del documento
Permite la verificación de un documento

Ejemplo:

<!doctype memo[
	<!ELEMENT	Memo       (para, de, fecha, razon?, parrafo+) >
	<!ELEMENT	para       (#PCDATA) >
	<!ELEMENT	de         (#PCDATA) >
	<!ELEMENT	fecha      (#PCDATA) >
	<!ELEMENT	razon      (#PCDATA) >
	<!ELEMENT	parrafo    (#PCDATA) >
]>

memo.dtd

Esta DTD, llamada memo, describe que un memo se compondrá de un destinatario (para), un remitente (de), la fecha, una razón (opcional), y un conjunto de uno o más párrafos.
Cada uno de los elementos (para, de, from, razon y parrafo) esta compuesto de texto (#PCDATA).
Reglas de sintaxis: para debe siempre proceder a de, por ejemplo.

Ejercicio

Crear una DTD para mensajes electrónicos.
- ¿Cuáles son las partes más importantes?
- ¿Se subdivide cada parte?
- ¿Cómo especificamos los attachments

Tipos de documentos en XML

Son dos:
1. Válidos: aquellos que siguen las reglas de una DTD específica.
2. Bien formados (well-formed) que no necesariamente tienen una DTD, pero que siguen las reglas de XML al pie de la letra (cada elemento está iniciado y terminado correctamente, el documento está incluído en un solo elemento y no en varios consecutivos)
Los documentos válidos son bien formados.

Visualizando XML

XML es un formato de almacenamiento
XML no tiene instrucciones de tipografiado
Documentos en XML requiere de otras herramientas para ser convertido a documentos tipografiados.
- DSSSL
- XSL

Futuro de XML

No todos lo utilizarán.
Serán los grandes autores de páginas los más beneficiados
La curva de aprendizaje se pagará en menos horas de mantenimiento
Las comunidades virtuales crearán DTDs de acuerdo a sus necesidades.
Es probable que algún día los procesadores de texto almacenen texto en XML en lugar de formatos propios.
XML probablemente reemplazará a SGML

Más información

La mejor fuente de referencia es la SGML/XML home page
Su URL se las debo para mañana :)