XML-документы

XML-документы — это структурированные текстовые файлы, данные в которых представлены в формате Extensible Markup Language (XML), предназначенном для хранения и передачи информации в виде, удобном для машинной обработки и чтения человеком. XML-документы следуют строгим синтаксическим правилам, определённым стандартом W3C, и могут быть использованы для описания произвольных предметных областей, от конфигураций программного обеспечения до научных данных и документооборота.

Основные характеристики

Структура и синтаксис

XML-документ состоит из иерархически организованных элементов, каждый из которых заключён в открывающий и закрывающий теги. Теги образуют дерево: корневой элемент содержит все остальные. Пример простого документа:

``xml <книга> <название>Война и мир</название> <автор>Лев Толстой</автор> <год>1869</год> </книга> ``

Ключевые синтаксические правила:

• Каждый открывающий тег должен иметь соответствующий закрывающий (кроме пустых элементов, записываемых как <тег />).
• Теги чувствительны к регистру.
• Атрибуты элементов записываются в открывающем теге в формате имя="значение".
• Документ должен содержать ровно один корневой элемент.
• Все специальные символы (например, <, >, &) экранируются.

Пролог

В начале XML-документа может располагаться пролог — необязательная декларация, указывающая версию XML и кодировку. Пример:

``xml <?xml version="1.0" encoding="UTF-8"?> ``

Пространства имён

Для избежания конфликтов имён тегов при объединении данных из разных источников используются пространства имён (namespaces). Они задаются атрибутом xmlns:

``xml <root xmlns:book="http://example.com/books"; xmlns:auth="http://example.com/authors">; <book:title>1984</book:title> <auth:name>Джордж Оруэлл</auth:name> </root> ``

История и развитие

XML был разработан рабочей группой W3C (World Wide Web Consortium) под руководством Джона Босуорта и других специалистов. Первая версия спецификации (XML 1.0) была опубликована 10 февраля 1998 года. Основной целью создания XML было упрощение и расширение возможностей SGML (Standard Generalized Markup Language) при сохранении его мощи, но с акцентом на лёгкость реализации и интероперабельность в интернете.

В 2004 году вышла вторая редакция XML 1.0, а в 2006 — XML 1.1, которая добавила поддержку новых символов Unicode, но не получила широкого распространения из-за обратной несовместимости. Начиная с 2010-х годов XML постепенно вытесняется в некоторых областях более лёгкими форматами, такими как JSON и YAML, однако остаётся стандартом в корпоративных системах, документообороте и научных публикациях.

Классификация XML-документов

По типу содержимого

• Документы с данными — содержат структурированную информацию (например, конфигурации, базы данных, результаты измерений). Обычно имеют строгую, повторяющуюся структуру.
• Документы с текстом — содержат преимущественно текстовое содержимое с разметкой (например, книги, техническая документация, веб-страницы). В них часто используются смешанное содержимое (текст и дочерние элементы).

По валидности

• Well-formed (правильно сформированные) — документы, соответствующие синтаксическим правилам XML. Любой корректный XML-документ должен быть well-formed.
• Valid (валидные) — документы, которые не только правильно сформированы, но и соответствуют определённой схеме (DTD, XML Schema, Relax NG). Валидность гарантирует, что структура и типы данных соответствуют заданным правилам.

Схемы и валидация

Для описания допустимой структуры XML-документов используются схемы. Основные типы:

DTD (Document Type Definition)

Наиболее старый механизм, унаследованный от SGML. DTD определяет, какие элементы и атрибуты могут присутствовать в документе, а также их вложенность. Пример:

``dtd <!ELEMENT книга (название, автор, год)> <!ELEMENT название (#PCDATA)> <!ELEMENT автор (#PCDATA)> <!ELEMENT год (#PCDATA)> ``

XML Schema (XSD)

Более мощный и современный стандарт, основанный на XML-синтаксисе. Позволяет задавать типы данных (строки, числа, даты), ограничения на значения, а также поддерживает пространства имён. Пример фрагмента XSD:

``xml <xs:element name="год" type="xs:gYear"/> ``

Relax NG

Компактная альтернатива XSD, разработанная для упрощения написания схем. Поддерживает как XML-синтаксис, так и компактный текстовый формат.

Обработка XML-документов

Парсеры

Для чтения и разбора XML-документов используются парсеры, которые делятся на два основных типа:

• DOM (Document Object Model) — загружает весь документ в память в виде дерева объектов. Позволяет произвольный доступ к элементам, но требует больших ресурсов.
• SAX (Simple API for XML) — последовательный, событийно-ориентированный парсер. Читает документ потоком, вызывая обработчики при встрече тегов. Экономит память, но не позволяет возвращаться к уже прочитанным данным.
• StAX (Streaming API for XML) — гибридный подход, предоставляющий курсорный доступ к потоку элементов.

Преобразования (XSLT)

XSLT (Extensible Stylesheet Language Transformations) — язык для преобразования XML-документов в другие форматы (HTML, текст, другой XML). Пример: преобразование XML-данных в веб-страницу.

Запросы (XPath и XQuery)

• XPath — язык для навигации по дереву XML-документа и выборки узлов. Используется в XSLT и XQuery.
• XQuery — более мощный язык запросов, позволяющий извлекать и комбинировать данные из нескольких XML-документов, подобно SQL.

Применение

Программное обеспечение

• Конфигурационные файлы — многие приложения (например, Apache Tomcat, Microsoft Office) используют XML для хранения настроек.
• Обмен данными — XML является основой для веб-сервисов SOAP (Simple Object Access Protocol) и протоколов вроде RSS и Atom.
• Сериализация — преобразование объектов программ в XML-представление для хранения или передачи.

Документооборот

• Офисные форматы — ODF (OpenDocument Format) и OOXML (Office Open XML) основаны на XML-архивах.
• Электронные книги — формат EPUB использует XHTML и XML для разметки содержимого.
• Научные публикации — стандарты JATS (Journal Article Tag Suite) и TEI (Text Encoding Initiative) применяются для разметки статей и рукописей.

Веб-технологии

• Карты сайтов — XML Sitemaps используются для информирования поисковых систем о структуре сайта.
• SVG (Scalable Vector Graphics) — векторная графика в формате XML.
• XHTML — строгая версия HTML, основанная на XML-синтаксисе.

Преимущества и недостатки

Преимущества

• Читаемость — данные могут быть поняты человеком без специальных инструментов.
• Стандартизация — единый стандарт W3C обеспечивает совместимость между различными системами.
• Расширяемость — возможность создавать собственные теги для любой предметной области.
• Поддержка — широкая библиотека инструментов и библиотек для всех популярных языков программирования.

Недостатки

• Избыточность — XML-документы часто содержат много повторяющихся тегов, что увеличивает размер файла по сравнению с JSON или бинарными форматами.
• Сложность обработки — разбор XML требует больше ресурсов, чем разбор более простых форматов.
• Отсутствие встроенных типов данных — все данные в XML по умолчанию являются строками; типизация требует внешних схем.

Интересные факты

• Название XML расшифровывается как Extensible Markup Language (расширяемый язык разметки). В отличие от HTML, у XML нет фиксированного набора тегов.
• Первая версия XML была разработана всего за 11 месяцев — с ноября 1996 по октябрь 1997 года.
• Несмотря на распространение JSON, XML остаётся обязательным стандартом в таких областях, как авиастроение (AECMA), фармацевтика (HL7) и государственный документооборот многих стран.
• В 2020 году W3C опубликовал рекомендацию XML 1.0 Fifth Edition, которая не вносит существенных изменений, но уточняет некоторые аспекты спецификации.