Tema 4: Introducción a XML

Transcripción

1 Tema 4: Introducción a XML

2 Qué es XML? XML (extensible Markup Language) Lenguaje de tags (similar en sintaxis a HTML) Estandarizado por Es extensible: XML no impone un conjunto de tags, sino sólo unas pocas normas de cómo usarlos Los tags se abren y se cierran y en medio pueden tener otros tags anidados Todos los documentos tienen un tag raíz Los tags pueden tener atributos Etc. Permite escribir documentos de texto que expresan datos y no aspecto visual (a diferencia de HTML)

3 Campos de aplicación Intercambio de datos entre aplicaciones heterogéneas Esta es la parte en la que nos centraremos en esta asignatura Generación de vistas (HTML, WML, PDF, etc.) a partir de datos en documentos XML Configuración de aplicaciones Bases de datos Muchas otras!

4 Situación Ejemplo (1) Varios portales de contenidos generales (ej.: Terra, Telépolis, Biwe, etc.) deciden ofrecer como parte de sus contenidos información sobre las películas (título, actores, director, resumen, etc.) que se estrenan en una determinada fecha Necesitan tener esa información en su BD local Opción 1 Cada portal dispone de una persona de contenidos, que como parte de su trabajo reúne información sobre las películas (vía revistas y/o portales especializados) que se van a estrenar en los próximos días, e introduce dicha información en la BD del portal (mediante alguna herramienta administrativa) Problema: necesitamos dedicar parte del tiempo de esta persona al proceso de recolección de información e introducción en BD => coste económico

5 Opción 2 Ejemplo (2) Existe un portal especializado que permite consultar información sobre las películas que se van a estrenar En los portales generales (previo acuerdo económico con el portal especializado), podría desarrollarse una aplicación cliente que se conectase por HTTP al portal especializado para consultar las películas que se estrenan en determinada fecha, parsear la página HTML correspondiente, e introducir los datos en la BD Problemas Hay que parsear HTML (puede ser más o menos complejo) Si el portal especializado decide variar el aspecto gráfico, puede ser necesario reprogramar el parser La raíz del problema es que HTML mezcla datos con aspecto gráfico En resumen, el devolver la información en HTML es adecuado para una navegador, pero no para una aplicación cliente que está interesada sólo en los datos

6 Ejemplo (3) Opción 3 El portal especializado decide ofrecer adicionalmente un punto de acceso que a partir de una fecha de estreno, devuelve una lista con las películas que se van a estrenar en esa fecha Los portales generales llegan a un acuerdo económico con el especializado para poder utilizar su punto de acceso El punto de acceso puede estar implementado en un lenguaje distinto al de las aplicaciones cliente

7 Ejemplo (4) Portal general 1 BD Portal general 2 BD... Internet Portal especializado en cine BD Portal general N BD

8 Ejemplo (5) Podría usarse CORBA para implementar el punto de acceso? Técnicamente SÍ El punto de acceso se podría implementar como un objeto CORBA En la práctica real, NO En la intranet del portal especializado existirá un firewall que protege el acceso desde Internet hacia dentro Nos gustaría incluir la siguiente regla en el firewall: permitir acceso por IIOP desde los portales generales a la máquina en la que corre el servidor Desafortunadamente muchos firewalls no reconocen el protocolo IIOP Si el portal especializado hace uso exclusivo de tecnologías Microsoft, no implementará su punto de acceso con CORBA

9 Ejemplo (6) Otra solución => XML sobre HTTP El portal especializado ofrece una aplicación web que permite procesar la siguiente URL: ationprovider/findmovieinformation?date=19&month=10 &year=2001 Cómo implementa el portal esta URL? Recupera de su DB la información sobre las películas que se estrenan en esa fecha Construye un documento XML con los datos de las películas Devuelve el documento Sobre HTTP no sólo se puede transmitir HTML sino cualquier flujo de caracteres en ASCII

10 Ejemplo (y 7) Otra solución => XML sobre HTTP (cont) Ej.: si la aplicación web del portal especializado estuviese hecha en Java, al anterior URL se podría implementar con un simple servlet Un servlet es una clase Java escrita por el programador que permite recibir las peticiones HTTP dirigidas a una determinada URL (o un conjunto de URLs), acceder a sus parámetros, realizar una acción y devolver una respuesta En otros lenguajes, existen soluciones similares Los portales generales tendrían que disponer de una aplicación que invocase esta URL, parsease el documento XML devuelto e insertase los datos en su BD local Casi todos los lenguajes disponen de librerías para acceder a una URL (ej.: en Java => java.net.url) Existen parsers genéricos (librerías) para casi todos los lenguajes, que permiten acceder fácilmente a los datos de un documento XML

11 Movies.xml (1) <?xml version="1.0" encoding="iso " standalone="no"?> <movies xmlns:xsi=" xsi:nonamespaceschemalocation=" ellas/movies.xsd">  <movie> <identifier>3</identifier> <title>la Maldición del Escorpión de Jade</title> <runtime>103</runtime> <releasedate day="19" month="10" year="2001"/> <director>woody Allen</director> <actor>woody Allen</actor> <actor>helen Hunt</actor> <actor>dan Aykroyd</actor> <actor>elizabeth Berkley</actor> <actor>charlize Theron</actor> <genre>com</genre>

12 Movies.xml (2) <synopsis>woody Allen encarna a CW Briggs, el rey de los investigadores de seguros de Nueva York en o cuanto menos eso es lo que no cesa de decirle a la nueva experta en eficiencia de la empresa, Betty Ann Fitzgerald (Helen Hunt)--. Briggs hace alarde de ser capaz de arruinar cualquier treta de seguros penetrando en la mente del malhechor, pero ahora, debido a los poderes hipnóticos del "Escorpión de Jade", es la mente de un malhechor la que penetra en Briggs. </synopsis> </movie>

13 Movies.xml (y 3)  <movie> <identifier>4</identifier> <title>amelie</title> <runtime>120</runtime> <releasedate day="19" month="10" year="2001"/> <director>jean-pierre Jeunet</director> <actor>audrey Tautou</actor> <actor>mathieu Kassovitz</actor> <actor>rufus</actor> <actor>yolande Moreau</actor> <actor>artus de Penguern</actor> <actor>dominique Pinon</actor> <genre>com</genre> <genre>rom</genre> <synopsis>amelie no es una chica como las demás. Ha visto a su pez de colores deslizarse hacia las alcantarillas... </synopsis> </movie> </movies>

14 Formato de un documento XML Documento XML Sólo contiene texto Puede ser un fichero, una secuencia de caracteres que se envía por un socket, etc. Aplicación XML Conjunto particular de tags que permiten representar una determinada información (ej.: la información sobre películas) Se dice que un documento XML está bien formado (wellformed) si cumple con el conjunto de reglas que a continuación se expone Estas reglas permiten construir parsers eficientes Se distingue entre mayúsculas y minúsculas Comentarios Empiezan con  Puede englobar varias líneas Dentro de un comentario no puede aparecer la secuencia -- Cometarios tipo  no son válidos

15 Declaración XML Declaración xml (1) <?xml version="1.0" encoding="iso " standalone="no"?> version Indica la versión de la especificación XML a la que es conforme el documento De momento, siempre toma el valor 1.0 encoding Indica la codificación de los caracteres del documento Por defecto, UTF-8 Es un sistema de codificación de longitud variable que permite representar todos los caracteres Unicode El rango de caracteres del ASCII estándar (7 bits) se representa con un byte => un documento ASCII es un documento UTF-8 Los caracteres se representan con dos bytes El resto de caracteres se representan con tres bytes

16 Declaración xml (y 2) encoding (cont) Cuando un documento XML se crea con un editor ASCII de 8 bits, si el documento usa caracteres no estándar ASCII ( ) (ej.: á, Ü, ñ, etc.), puede especificar ISO-XXXX-1 Codificación de un byte => ASCII estándar => Caracteres de control => Letras acentuadas y caracteres adicionales para determinados idiomas En particular, el ejemplo usa ISO (Latin 1) standalone yes => El documento no necesita ningún otro no (por defecto) => El documento requiere algún otro (en el ejemplo, el esquema referenciado)

17 Elementos y atributos (1) Todo documento debe tener un elemento raíz movies en el ejemplo Cuando se usa un esquema para validar el documento XML, se indica en el tag raíz Entre el tag de inicio de un elemento y el de fin puede haber otros otros elementos o texto Si contiene texto, los blancos forman parte de él A diferencia de HTML, no se puede puede mezclar el orden de los tags anidados El primer elemento que se abre debe ser el último que se cierra El siguiente ejemplo no estaría bien formado <tag-1> <tag-2> </tag-1> </tag-2> Un elemento puede tener atributos El valor del atributo tiene que ir entrecomillado (mejor con ) Para un elemento dado, un atributo sólo puede tener un valor

18 Elementos y atributos (y 2) Elemento vacío No tiene elementos anidados ni texto Puede tener atributos Ejemplo: <tag-1 attr-1= val1 attr-2= val2 ></tag-1> Por comodidad, se puede usar la notación <tag-1 attr-1= val1 attr-2= val2 />

19 Elementos vs atributos (1) Podríamos haber pensando en múltiples alternativas para representar la misma información <movie title="amelie" runtime="120" releaseday="19" releasemonth="10" releaseyear="2001"> <director name="jean-pierre Jeunet"/> <actor name="audrey Tautou"/> <actor name="mathieu Kassovitz"/> <actor name="rufus"/> <actor name="yolande Moreau"/> <actor name="artus de Penguern"/> <actor name="dominique Pinon"/> <genre name="com"/> <genre name="rom"/> <synopsis>amelie no es una chica como las demás. Ha visto a su pez de colores deslizarse hacia las alcantarillas... </synopsis> </movie>

20 Elementos vs atributos (y 2) En principio, se puede seguir la siguiente convención Usar elementos para datos multivaluados o de gran cantidad de texto Usar atributos en caso contrario Ambas alternativas siguen esta convención

21 Referencias a entidades predefinidas Para poder incluir ciertos caracteres en el valor de un atributo o en el texto de un elemento, XML predefine las siguientes referencias a entidades Referencia < & > " ' Significado < & > " ' Ejemplo <tag char= " >Si A < B, entonces... </tag>

22 Secciones CDATA Cuando el texto de un elemento incluye muchos caracteres especiales, es mejor usar una sección CDATA El contenido no se interpreta Puede incluir cualquier tipo de caracteres, excepto el cierre de la sección (]]>) <tag>este es un trozo del ejemplo: <![CDATA[ <movie> <identifier>3</identifier> <title>la Maldición del Escorpión de Jade</title> <runtime>103</runtime> <releasedate day="19" month="10" year="2001"/> <director>woody Allen</director> ]]></tag>

23 Espacio de nombres (1) Un documento XML puede hacer uso de espacios de nombres Concepto similar al de CORBA IDL y C++, paquete Java, etc. Permiten evitar conflictos de nombres cuando en un documento XML se usan tags de distintas aplicaciones XML Cada espacio de nombres está asociado a una URI, que debe ser única Se aconseja usar URLs No tienen porque tener una existencia real (y de hecho, no suelen tenerla)

24 Espacio de nombres (y 2) En el ejemplo se usa <movies xmlns:xsi=" xsi:nonamespaceschemalocation=" ellas/movies.xsd"> xmlns permite especificar que el elemento movies y los que éste contiene pueden usar los atributos y elementos del espacio de nombres asociado con la URL prefijándolos con xsi: Es la URI la que define el espacio de nombres y no el prefijo Distintas documentos XML pueden usar distintos prefijos para referirse a un mismo espacio de nombres En este ejemplo usamos el espacio de nombres para usar el atributo nonamespaceschemalocation, que permite especificar la ubicación del esquema que valida a un documento XML que no define un espacio de nombres propio

25 Validación de documentos XML Existen varios tipos de documentos para expresar los tags válidos de una aplicación XML y sus restricciones Las dos alternativas más usadas son DTD (Document Type Definition) Sencillo Semánticamente pobre Esquema Complejo Semánticamente muy rico Un esquema es a su vez un documento XML Estudiaremos sus fundamentos mediante la construcción de un esquema para el ejemplo de las películas Un documento XML que cumple las restricciones de su DTD, esquema o similar se dice que es válido

26 Movies.xsd (1) <?xml version="1.0" encoding="iso "?> <xsd:schema xmlns:xsd="  <xsd:complextype name="releasedate"> <xsd:attribute name="day" type="xsd:short"/> <xsd:attribute name="month" type="xsd:short"/> <xsd:attribute name="year" type="xsd:short"/> </xsd:complextype>

27 Movies.xsd (2)  <xsd:simpletype name="genre"> <xsd:restriction base="xsd:string"> <xsd:enumeration value="com"/> <xsd:enumeration value="dra"/> <xsd:enumeration value="hor"/> <xsd:enumeration value="rom"/> <xsd:enumeration value="sfi"/> <xsd:enumeration value="thr"/> </xsd:restriction> </xsd:simpletype>

28 Movies.xsd (3)  <xsd:complextype name="movie"> <xsd:sequence> <xsd:element name="identifier" type="xsd:long"/> <xsd:element name="title" type="xsd:string"/> <xsd:element name="runtime" type="xsd:short"/> <xsd:element name="releasedate" type="releasedate"/> <xsd:element name="director" type="xsd:string" minoccurs="1" maxoccurs="unbounded"/> <xsd:element name="actor" type="xsd:string" minoccurs="1" maxoccurs="unbounded"/> <xsd:element name="genre" type="genre" minoccurs="1" maxoccurs="unbounded"/> <xsd:element name="synopsis" type="xsd:string"/> </xsd:sequence> </xsd:complextype>

29 Movies.xsd (y 4)  <xsd:complextype name="movies"> <xsd:sequence> <xsd:element name="movie" type="movie" minoccurs="1" maxoccurs="unbounded"/> </xsd:sequence> </xsd:complextype>  <xsd:element name="movies" type="movies"/> </xsd:schema>

30 Esquemas (1) Las construcciones que se usan en un esquema residen en el espacio de nombres asociado a la URI Tipo simple (simpletype) Tipos (de elementos o atributos) que tienen sólo valores y no otros atributos o elementos Existen varios tipos predefinidos string, int, long, short, float, double, boolean, byte, datetime, etc.

31 Esquemas (2) Restricciones de tipos simples Permiten definir un tipo simple a partir de otro restringiendo los valores de este último Las restricciones representan uno de los mecanismos disponibles para definir tipos derivados de otros tipos simples El tipo Genre define un tipo string enumerado, es decir, sus valores posibles están restringidos a uno de los definidos en la enumeración Existen muchas otras posibilidades de restricciones Definir un tipo derivado de un string que restringe la longitud máxima de sus posibles valores Definir un tipo derivado de un string que restringe sus valores mediante una expresión regular

32 Esquemas (3) Tipo compuesto (complextype) Tipos (de elementos) que tienen atributos y/o elementos El tipo ReleaseDate define un tipo de elemento que sólo contiene los atributos day, month y year, siendo los tres de tipo short (simple predefinido) El tipo Movie contiene sólo elementos Usa sequence para declarar sus elementos sequence es un compositor que define una secuencia ordenada de elementos Existe otros compositores all: los elementos pueden aparecer en cualquier orden choice: sólo puede aparecer uno de los elementos Cada elemento se define dando Su nombre Su tipo Opcionalmente, el número mínimo y máximo de ocurrencias posible (por defecto, obligatoriamente una ocurrencia)

33 Esquemas (y 4) Tipo compuesto (complextype) (cont) Es posible definir tipos compuestos de atributos y elementos La lista de atributos se especifica al final, es decir, después del compositor usado para definir los elementos También es posible definir tipos compuestos por derivación (se usan restricciones) El ejemplo termina definiendo el elemento raíz (movies)

34 Parsers (1) Un parser XML está formado por un conjunto de clases que permite comprobar que el documento está bien formado y acceder a los datos Si además el parser es validante, también permite validar el documento (usando su DTD, esquema, etc.) Tipos de parsers SAX DOM Simple API for XML Es un pequeño framework basado en eventos El programador proporciona uno o varios objetos callback a los que el parser llamará cada vez que ocurra un evento de interés (apertura de un tag, cierre de un tag, un error, etc.) Document Object Model Construye una representación (un árbol) en memoria del documento El programador puede acceder a los datos del documento recorriendo el árbol

35 Parsers (y 2) Las APIs de SAX y DOM están estandarizadas y existen un gran número de implementaciones para distintos lenguajes (C++, Java, etc.) Ej.: Apache Software Foundation proporciona Crimson (SAX y DOM sólo para Java) y Xerces (SAX y DOM) En el caso de Java, familia de paquete org.xml.sax y org.w3c.dom (básicamente contienen interfaces y clases abstractas) En Java, existe JAXP Java API for XML Processing Entre otras cosas, define un API para crear y configurar instancias de parsers SAX y DOM de manera portable Define factorías abstractas Permite trabajar con una implementación concreta de SAX y DOM sin depender del fabricante Forma parte de J2SE 1.4 Familia de paquetes javax.xml.{parsers, transform}