Чукарин А.В. Прикладные протоколы Интернет и World Wide Web

Подождите немного. Документ загружается.

101

тексте страниц?»). Иные структурные единицы имеют аналитический

характер, характеризуя часть текста (диалоги и описания).

10.2.4. Определение структуры документов SGML: DTD

Правила, подобные вышеописанным, – первый шаг в создании

формальной спецификации структуры SGML документа или

определения типа документа, обычно сокращаемого как DTD

(Document Type Definition). При создании DTD дизайнер документа

может задавать произвольно жесткую или сколь угодно гибкую

структуру. Важно помнить, что каждое определение типа документа

является интерпретацией текста. Не существует единственного DTD,

охватывающего все сведения о тексте, хотя может быть удобно

предпочитать одни DTD другим для конкретных типов анализа.

В настоящее время SGML шире всего применяется там, где

основным требованием является единообразие структуры документов.

Например, при производстве технической документации весьма важно,

чтобы разделы и подразделы были соответствующим образом вложены,

чтобы перекрестные ссылки были корректны, и так далее. Однако,

использование простых правил может также сильно упростить задачу

аккуратной разметки элементов и менее ограниченных текстов. Делая

такие правила явными, исследователь уменьшает свою работу по

разметке и проверке электронного текста, в то же время, выявляя

интерпретацию структуры и значимые особенности кодируемого

текста.

Пример DTD

DTD в SGML выражается в виде набора описательных

утверждений с использованием определенного в стандарте простого

синтаксиса. Для простой модели стихотворения подойдут следующие

описания:

<!ELEMENT anthology - - (poem+)>

<!ELEMENT poem - - (title?, stanza+)>

<!ELEMENT title - O (#PCDATA) >

<!ELEMENT stanza - O (line+) >

<!ELEMENT line O O (#PCDATA) >

Эти пять строчек – примеры формальных описаний элементов

SGML. Описание, как и элемент, ограничено угловыми скобками;

первым символом за открывающей скобкой должен быть

восклицательный знак, за которым сразу следует одно из небольшого

набора определенных в SGML ключевых слов, указывающее на тип

102

описываемого объекта. Все пять этих описаний – одинакового типа:

каждое начинается с ключевого слова

ELEMENT, показывающего, что

описывается элемент, в определенном выше техническом смысле.

Каждое состоит из трех частей: название или группа названий, два

символа, задающих правила минимизации (minimization rules) и модель

содержимого (content model). Каждая из этих частей обсуждается ниже.

Компоненты описания разделяются одним или более пробелом,

табуляцией или переводом строки.

Первая часть каждого из описаний дает обобщенный

идентификатор описываемого элемента, например, poem, title, и т.д. В

одном утверждении можно описывать несколько элементов.

Правила минимизации

Вторая часть описания задает правила минимизации для

элемента. Эти правила определяют, обязаны ли присутствовать

открывающая и закрывающая метки для каждого появления данного

элемента. Они имеют вид пары символов, разделенных пробелом,

первый из которых относится к открывающей, а второй – к

закрывающей метке. В обоих случаях должны присутствовать или

минус или буква O; минус означает, что метка должна присутствовать, а

буква O – что она может быть опущена. Так, в нашем примере каждый

элемент, кроме <line>, должен иметь открывающую метку. Только

элементы <poem> и <anthology> обязаны также иметь и закрывающую

метку.

Модель содержимого

Третья часть каждого описания, заключенная в круглые скобки,

называется моделью содержимого элемента, потому что она указывает,

что могут содержать экземпляры элемента. Содержимое указывается

либо в терминах других элементов, либо при помощи специальных

зарезервированных слов. Есть несколько таких зарезервированных слов,

из которых самое часто используемое – #PCDATA. Это сокращение от

parsed character data (разобранные символьные данные), и оно означает,

что описываемый элемент может включать любые разрешенные

символьные данные. Если представить себе SGML описание в виде

структуры наподобие генеалогического дерева, с одним предком

наверху (в примере, это будет <anthology>), то почти всегда, если

следовать по ветвям дерева вниз (например, от <anthology> к <poem>,

<stanza>, <line> или <title>), мы придем к #PCDATA. В нашем примере

так определены <title> и <line>. Т.к. в их модели содержимого указано

103

только #PCDATA и не названо никаких включаемых элементов, то они не

могут содержать другие элементы.

Обозначения включения

Вышеприведенное описание для <stanza> устанавливает, что

строфа состоит из одной или более строк. Оно использует обозначение

включения (occurence indicator) – знак плюс – для указания того, сколько

раз может встречаться элемент, поименованный в модели содержимого.

В синтаксисе SGML есть три обозначения включения, обычно

представленных знаком плюс, вопросительным знаком и звездочкой.

Так же, как и ограничители, эти знаки имеют формальные

наименования и могут быть переопределены соответствующим SGML

описанием. Знак плюс означает, что соответствующий элемент может

встречаться один или более раз; вопросительный знак означает, что

может быть не более одного элемента; звездочка означает, что элемент

может или отсутствовать, или появляться один и более раз. Так, если бы

модель содержимого для <stanza> была (LINE*), были бы допустимы

строфы без строк, так же, как и с более чем одной строкой. Если бы она

была (LINE?), то пустые строфы были бы тоже допустимы, но ни одна

строфа не могла бы иметь более чем одну строку. Описание <poem> в

примере устанавливает, что <poem> не может иметь больше одного

заголовка (но может не иметь ни одного) и что оно должно иметь как

минимум одну <stanza> (и может иметь несколько).

10.2.5. Атрибуты

В контексте SGML, слово атрибут (attribute), подобно другим,

имеет строгий технический смысл. Оно используется для описания

информации, являющейся в каком-либо смысле описательной для

конкретного появления элемента, но не являющейся частью его

содержимого. Например, можно добавить атрибут status к экземплярам

некоторых элементов для обозначения степени их достоверности, или

добавить атрибут identifier, так что можно будет ссылаться на

конкретное появление элемента из других мест документа. Атрибуты

полезны именно в таких случаях.

Хотя разные элементы могут иметь атрибуты с одинаковыми

названиями (например, в схеме TEI каждый элемент определяется

имеющим атрибут id), эти атрибуты всегда считаются различными и

могут иметь различные присваиваемые им значения. Если элемент

определен имеющим атрибуты, значения атрибутов задаются в

документе как пары атрибут-значение внутри открывающей метки

104

экземпляра элемента. Закрывающая метка не может содержать

спецификаций атрибут-значение, т.к. это было бы излишним.

Например:

Для элемента <poem> определены два атрибута: id и status. Для

экземпляра <poem> в этом примере, представленного многоточием,

атрибут id имеет значение P1, а атрибут status – значение draft.

10.2.6. Объекты SGML

SGML также предоставляет простой и гибкий метод

кодирования и наименования произвольных частей действительного

содержимого документа переносимым образом. В SGML слово объект

(entity) несет специальный смысл: оно означает именованную часть

размеченного документа. Объектом может быть строка символов или

целый файл текста. Для включения его в документ используется

конструкция, известная как ссылка на объект (entity reference).

Например, следующее объявление

<!ENTITY tei "Text Encoding Initiative">

определяет объект, называющийся tei и значением которой

является строка "Text Encoding Initiative". Это был пример

объявления объекта (entity declaration), которое объявляет внутренний

объект (internal entity). Следующее объявление, напротив, объявляет

системный объект (system entity):

<!ENTITY ChapTwo SYSTEM "sgmlmkup.txt">

Такая строка определяет системный объект, называющийся

ChapTwo, значением которого является текст, ассоциированный с

системным идентификатором – в этом случае, системный

идентификатор – имя файла операционной системы и текст замещения

объекта является содержимым файла.

После того, как объект объявлен, на него можно ссылаться в

любом месте документа. Это делается путем использования его

названия, перед которым ставится символ "&", а после которого – точка

с запятой. Точка с запятой может быть опущена, если за ссылкой на

объект следует пробел или конец записи.

10.2.7. Использование SGML

Существует множество программных средств для создания,

проверки и обработки SGML документов. Здесь описываются только

некоторое из них. Сердцем большинства продуктов служит

105

синтаксический анализатор SGML, т.е., программный модуль,

принимающий определение типа документа и генерирующий систему

проверки любого документа с этим DTD. Выходом анализатора, в

простейшем случае, является просто «да» (экземпляр документа

правилен) или «нет». Большинство анализаторов, кроме того, выдают

новую версию документа в канонической форме, с добавленными

закрывающими метками и разрешенными ссылками на объекты, или

сформатированную в соответствии с заданием пользователя. Эта форма

может быть затем использована другими частями программной системы

(более или менее тесно связанными с анализатором) для выполнения

дополнительных функций, таких, как структурное редактирование,

форматирование или управление базой данных.

Структурный редактор (structured editor) является, в своем роде,

интеллектуальным текстовым процессором. Он может использовать

информацию, выделенную из обработанного DTD, для того, чтобы

подсказывать пользователю, какие элементы требуются в разных местах

документах по мере редактирования. Он также может сильно упростить

задачу подготовки документа, например, автоматически вставляя

метки.

Форматировщик (formatter) использует размеченный экземпляр

документа для генерации его печатной формы. Многие типографские

различия набора, такие, как использование различных начертаний

шрифта или его размера, тесно связаны со структурными различиями

текста, так что форматировщики могут использовать знания,

заложенные в описательной разметке. Можно, кроме того, определять

структуру разметки для форматирующей программы при помощи

параллельной структуры документа.

Гипертекстовые (hypertext) системы поддерживают

ассоциативные связи внутри и между документами. Явно размечая

связи вместо использования закрытого программного обеспечения,

создатели гипертекстов могут быть уверены, что создаваемые ими

ресурсы надолго будут доступны. Все, что требуется для загрузки SGML

документа в гипертекстовую систему, – это процессор, умеющий

корректно интерпретировать метки SGML.

106

10.3. Список вопросов для самоконтроля

а) Приведите схему взаимодействия основных языков

разметки.

б) Для чего предназначены языки разметки?

в) Укажите основные особенности SGML, по сравнению с

прочими языками разметки.

г) Поясните понятие структуры текста.

д) Что такое DTD? Какова его связь с SGML?

е) Приведите примеры использования атрибутов в языке

SGML.

ж) Перечислите и кратко охарактеризуйте основные типы

программных средств для работы с SGML.

з) Найдите ошибку в строке

107

11. Язык XML

11.1. Язык XML – практическое введение

XML (Extensible Markup Language) – это язык разметки,

описывающий целый класс объектов данных, называемых XML-

документами. Этот язык используется в качестве средства для описания

грамматики других языков и контроля за правильностью составления

документов. Т.е. сам по себе XML не содержит никаких тегов,

предназначенных для разметки, он просто определяет порядок их

создания. Таким образом, если, например, разработчик считает, что для

обозначения элемента rose в документе необходимо использовать тег

<flower>; то XML позволяет свободно использовать определяемый тег и

возможно включение в документ фрагментов, подобные следующему:

Набор тегов может быть легко расширен. Если, предположим,

мы хотим также указать, что описание цветка должно по смыслу идти

внутри описания оранжереи, в которой он цветет, то просто задаем

новые теги и выбираем порядок их следования:

</conservatory>

Если мы хотим добавить еще несколько цветов, то необходимо

внести следующие изменения:

<flower>tulip</flower>

<flower>cactus</flower>

</conservatory>

Процесс создания XML документа очень прост. Таким образом,

у разработчиков появляется уникальная возможность определять

собственные команды, позволяющие им наиболее эффективно

определять данные, содержащиеся в документе. Автор документа

создает его структуру, строит необходимые связи между элементами,

используя те команды, которые удовлетворяют его требованиям, и

добивается такого типа разметки, которое необходимо ему для

выполнения операций просмотра, поиска, анализа документа.

108

Еще одним из очевидных достоинств XML является

возможность использования его в качестве универсального языка

запросов к хранилищам информации. Существует стандарт XML-QL

(или XQL), конкурирующий с SQL. Кроме того, XML-документы могут

выступать в качестве уникального способа хранения данных, который

включает в себя одновременно средства для разбора информации и

представления ее на стороне клиента. В этой области ключевым

направлением является интеграция Java и XML - технологий,

позволяющая использовать мощь обеих технологий при построении

машинно-независимых приложений, использующих, кроме того,

универсальный формат данных при обмене информации.

XML позволяет также осуществлять контроль за корректностью

данных, хранящихся в документах, производить проверки

иерархических соотношений внутри документа и устанавливать

единый стандарт на структуру документов, содержимым которых могут

быть самые различные данные. Это означает, что его можно

использовать при построении сложных информационных систем, в

которых важным является вопрос обмена информацией между

различными приложениями, работающими в одной системе. Создавая

структуру механизма обмена информации в самом начале работы над

проектом, менеджер может избавить себя в будущем от многих

проблем, связанных с несовместимостью используемых различными

компонентами системы форматов данных.

11.1.2. Представление XML-документа

Структура простейшего XML-документа показана ниже.

<?xml version="1.0"?>

<list_of_items>

<item id="1"><first/>Первый</item>

<item id="2">Второй <sub_item>подпункт 1</sub_item></item>

<item id="3">Третий</item>

<item id="4"><last/>Последний</item>

</list_of_items>

Инструкции, заключенные в угловые скобки называются тегами

и служат для разметки основного текста документа. В XML существуют

открывающие, закрывающие и пустые теги.

Тело документа XML состоит из элементов разметки (markup) и

непосредственно содержимого документа - данных (content). XML - теги

109

предназначены для определения элементов документа, их атрибутов и

других конструкций языка.

Любой XML- документ должен всегда начинаться с инструкции

<?xml ?>, внутри которой также можно задавать номер версии языка,

номер кодовой страницы и другие параметры, необходимые

программе-анализатору в процессе разбора документа

11.1.3. Правила создания XML-документа

В общем случае XML-документы должны удовлетворять

требованиям перечисленным ниже.

• В заголовке документа помещается объявление XML, в

котором указывается язык разметки документа, номер его

версии и дополнительная информация.

• Каждый открывающий тег, определяющий некоторую

область данных в документе, обязательно должен иметь

своего закрывающего «напарника».

• В XML учитывается регистр символов.

• Все значения атрибутов, используемых в определении

тегов, должны быть заключены в кавычки.

• Вложенность тегов в XML строго контролируется,

поэтому необходимо следить за порядком следования

открывающих и закрывающих тегов.

• Вся информация, располагающаяся между начальным и

конечными тегами, рассматривается в XML как данные, и

поэтому учитываются все символы форматирования.

Если XML-документ не нарушает приведенные правила, то он

называется формально-правильным и все анализаторы, предназначен-

ные для разбора XML- документов, смогут работать с ним корректно.

Однако кроме проверки на формальное соответствие

грамматике языка, в документе могут присутствовать средства контроля

над содержанием документа, за соблюдением правил, определяющих

необходимые соотношений между элементами и формирующих

структуру документа. Например, следующий текст, являясь вполне

правильным XML- документом, будет абсолютно бессмысленным:

<country><title>RF</title><city><title>Moscow</country></title></city>

110

Для обеспечения проверки корректности XML- документов,

необходимо использовать анализаторы, производящие такую проверку

и называемые верифицирующими.

На сегодняшний день существует два способа контроля

правильности XML-документа: DTD-определения (Document Type

Definition) и схемы данных (Semantic Schema). В отличие от SGML,

определение DTD-правил в XML не является необходимым, и это

обстоятельство позволяет создавать любые XML-документы, не

учитывая весьма непростой синтаксис DTD.

11.1.4. Конструкции языка

Содержимое XML-документа представляет собой набор

элементов, секций CDATA, директив анализатора, комментариев,

спецсимволов, текстовых данных.

Элементы данных

Элемент - это структурная единица XML-документа. Заключая

слово rose в теги <flower> </flower> , мы определяем непустой элемент,

называемый <flower>, содержимым которого является rose. В общем

случае в качестве содержимого элементов могут выступать как просто

какой-то текст, так и другие, вложенные, элементы документа, секции

CDATA, инструкции по обработке, комментарии, - т.е. практически

любые части XML- документа.

Любой непустой элемент должен состоять из начального,

конечного тегов и данных, между ними заключенных. Например,

следующие фрагменты будут являться элементами:

<city>Москва</city>

а эти – нет:

<rose>

rose

Набором всех элементов, содержащихся в документе, задается

его структура, и определяются все иерархическое соотношения.

Плоская модель данных превращается с использованием элементов в

сложную иерархическую систему с множеством возможных связей

между элементами.

Производя в последствии поиск в структурированном

документе, программа клиента будет опираться на информацию,