5 XML und Analyse von XML-Dokumenten

Transkript

1 5 XML und Analyse von XML-Dokumenten Erläuterungen zu XML vom W3C: Die Extensible Markup Language (XML) ist ein einfaches und sehr flexibles, von SGML abgeleitetes Textformat. SGML := Standard Generalized Markup Language XML wurde entworfen, um die hohen Anforderungen an das elektronische Publizieren abzudecken und wird darüberhinaus eine wichtige Rolle für den Austausch unterschiedlichster Daten über das Web spielen. 224 Was soll durch XML ermöglicht werden? Gemäß W3C: Medienunabhängiges elektronisches Publizieren von Informationen in mehreren Sprachen Definition von plattformunabhängigen Protokollen zum Datenaustausch (speziell für den elektronischen Handel) Automatische Verarbeitung übertragener Daten durch Software Datenverarbeitung mit preisgünstiger Software Benutzerdefinierte Präsentation von Informationen Auffinden von Informationen durch Metadaten (Informationen über Informationen) 225

2 Was ist XML? XML ist eine Sprache zur Repräsentation von Dokumenten. Durch XML wird gemäß SGML die Auszeichnung von Dokumenten (markup) formalisiert und von System- und Verarbeitungsabhängigkeiten gelöst. Durch XML wird eine Syntax bereitgestellt, mit der die Struktur von Dokumenten eines Typs unabhängig von der weiteren Verwendung und Darstellung beschrieben werden kann. Oft wird XML als Metasprache bezeichnet, da über XML Auszeichnungssprachen definiert werden können (erweiterbare Auszeichnungssprache). 226 Auszeichnungssprache Bei einer Auszeichnungssprache werden die Inhalte eines Datenstroms durch Auszeichnungen (tags) strukturiert. Ausschließlich die Auszeichnungen dienen zur Strukturierung des Inhalts. Die Auszeichnungen sind so gehalten, daß sie selbst als reiner Text innerhalb des Inhalts eines Dokuments zu identifizieren sind. Durch solche Auszeichnungen werden Teile des Inhalts benannt. Diese Inhalte heißen Elemente. Die Länge der Auszeichnungen ist variabel und kann mit Informationen über den ausgezeichneten Inhalt angereichert werden. 227

3 Dokument und Dokumenttyp Ein XML-Dokument ist eine Instanz eines XML-Dokumenttyps, der wiederum durch die Dokumentenrepräsentationssprache XML beschrieben wird. SGML XML Dokumenten repräsentations sprache HTML XHTML MeinTyp Dokumenttyp HTML Dokument XHTML Dokument MeinTyp Dokument Dokumentinstanz 228 Beispiel 5.1. Ein XML-Dokument zur Repräsentation einer Bestellung als erstes einfaches Beispiel: <?xml version="1.0"?> <!DOCTYPE Order SYSTEM " <Order> <OrderHeader> <OrderID>4711</OrderID> <OrderDate> </OrderDate> <Customer> <CustName>Dr. Peter Becker</CustName> <Cust Adress> </Cust Adress> </Customer> </OrderHeader> <Items> <Item quantity="1" deliverydate=" "> 229

4 <ProdName>Web-Visitenkarte</ProdName> <UnitPrice>1.00</UnitPrice> </Item> </Items> </Order> Order OrderHeader Items OrderID OrderDate Customer Item CustName Cust Adress ProdName UnitPrice 230 Wohlgeformtheit Ein XML-Dokument ist wohlgeformt, wenn es: Die syntaktischen Regeln von XML erfüllt, alle Elemente ordnungsgemäß verschachtelt sind und alle referenzierten Entities geeignet deklariert sind. Für wohlgeformte Dokumente kann der Strukturbaum erstellt werden, ohne daß Kenntnisse über den Dokumenttyp erforderlich sind. 231

5 Dokumenttypen Für die Verarbeitung von Daten ist das Vorhandensein einer Schemadefinition elementar. Auch wenn ein XML-Dokument wohlgeformt ist, so ist eine sinnvolle Weiterverarbeitung erst durch die Angabe eines zugehörigen Dokumenttyps möglich. Es muß im voraus bekannt sein, welche Elemente in einem Dokument vorkommen können, um auf diesen sinnvolle Operationen ausführen zu können. 232 Dokumenttypdeklaration Ein XML-Dokument kann eine Dokumenttypdeklaration (document type declaration) enthalten. In solch einer Dokumenttypdeklaration werden die zur Verfügung stehenden Auszeichnungen direkt angegeben oder es wird auf eine Auszeichnungsdeklaration verwiesen. In der Auszeichnungsdeklaration wird eine Grammatik angegeben, der das aktuelle Dokument folgen soll. Diese Grammatik wird als Dokumenttypdefinition (document type definition, DTD) bezeichnet. 233

6 Beispiel 5.2. Eine DTD für das Dokument von Beispiel 5.1: <!DOCTYPE Order [ <!ELEMENT Order (OrderHeader, Items) > <!ELEMENT OrderHeader (OrderID, OrderDate, Customer) > <!ELEMENT Customer (Custname, Cust Adress?) > <!ELEMENT Items (Item+) > <!ELEMENT Item (ProdName, UnitPrice) > <!ATTLIST Item quantity CDATA #REQUIRED deliverydate CDATA #IMPLIED > <!ELEMENT ProdName (#PCDATA) >... ]> 234 Über die Deklaration eines Elements wird sein Name und sein Inhaltsmodell beschrieben. Soll das Element keine weiteren Unterelemente haben, so ist das Inhaltsmodell EMPTY (leer) oder PCDATA (nur Zeichen enthaltend). Ansonsten wird eine Strukturierung von Unterelementen angegeben. Hierfür stehen die folgenden Strukturierungsmöglichkeiten zur Verfügung: Sequenz: Unterelemente werden durch Komma getrennt angegeben Auswahl: Unterelemente werden durch getrennt angegeben Wiederholung: Ein + hinter einem Unterelement gibt an, daß dieses beliebig oft auftreten kann, jedoch mindestens einmal auftreten muß. 235

7 Wiederholung: Ein * hinter einem Unterelement gibt an, daß dies beliebig oft eventuell auch gar nicht auftreten kann. Option: Ein? hinter einem Unterelement gibt an, daß dieses einmal oder gar nicht auftreten kann. PCDATA steht für Parsed Character Data. Dies sind Zeichenfolgen, die spitze Klammern, Apostroph, Anführungszeichen und & nicht enthalten. Diese Zeichen sind Bestandteil der Auszeichnung. Sie müssen über sogenannte Entity-Referenzen aufgelöst werden. Innerhalb solcher Zeichenfolgen werden Entity-Referenzen ersetzt. CDATA steht für Character Data. Hier ist alles erlaubt, es findet keine Auflösung der Zeichen statt. 236 Entity-Referenzen Entity-Referenzen sind Platzhalter für Ersetzungen. Eine Entity-Referenz kann Zeichendaten beschreiben oder eine komplette XML-Instanz. Ein Entity ist irgendeine Einheit von wohlgeformten XML, auf die eine Entity-Referenz entweder direkt oder über eine URL verweist. Entity-Referenzen werden in der DTD deklariert. In PCDATA haben sie die Form: &Name; Einige Entity-Referenzen kennt der Parser implizit. Dies sind die Entity-Referenzen für die Darstellung der in PCDATA nicht erlaubten Zeichen. 237

8 In einer DTD können interne und externe Entity-Referenzen deklariert werden. Beispiel 5.3. <!ENTITY vorlesungstitel "Textalgorithmen: unverstaendlich und praxisfern"> In einem XML-Dokument kann nun eine Referenz wie folgt verwendet werden: <titel>&vorlesungstitel;</titel> Beispiel 5.4. Durch die Deklaration von <!ENTITY ueberdendozent SYSTEM " wird eine Referenz auf ein externes XML-Dokument erzeugt. Verwendet 238 man nun &ueberdendozent;, so wird an dieser Stelle das komplette XML-Dokument eingesetzt. Durch externe Entity-Referenzen werden XML-Dokumente für andere XML-Dokumente wiederverwendbar. Bei der Einfügung findet wiederum eine Ersetzung von Entity- Referenzen statt. Ein XML-Dokument muß also nicht physikalisch aus einer einzelnen Datei bestehen. 239

9 Gültigkeit Ein wohlgeformtes XML-Dokument heißt gültig, wenn es: die durch die DTD definierten Beschränkungen erfüllt. 240 Datenzentrierte XML-Dokumente Repräsentation von sehr stark strukturierten Informationen, Daten im herkömmlichen Sinn (z.b. in relationalen DB) Reihenfolge ist oft irrelevant sind einheitlich und meist homogen strukturiert haben Datentypen Informationen liegen in den Blättern selten mixed content 241

10 Dokumentzentrierte XML-Dokumente inhomogen strukturiert Reihenfolge der Elemente ist oft wichtig viel mixed content Informationen auf allen Ebenen Volltextsuche ist unbedingt notwendig XML und Analyse von XML-Dokumenten Analyse von XML-Dokumenten SAX Simple API for XML (SAX) ist ein de-facto Standard für ein ereignisbasiertes Parsen von XML-Dokumenten. SAX definiert eine Schnittstelle, die es erlaubt, die Informationen eines XML-Dokumentes in linearer Reihenfolge zu durchlaufen, ohne eine Baumstruktur aufzubauen. Es existieren Implementierungen für die meisten gängigen Programmiersprachen (Java, Perl, Python, C++). 243

11 5. XML und Analyse von XML-Dokumenten Analyse von XML-Dokumenten Ereignismodell von SAX Bei einer ereignisbasierten API gibt es zwei wichtige Programmkomponenten: 1. Einen Treiber der Ereignisse erzeugt. Hier ist dies der XML-Parser. 2. Handler, die diese Ereignisse verarbeiten. Hier sind dies Klassen, die bestimmte Schnittstellen implementieren. Es muß nicht das gesamte Dokument gelesen werden, bevor es bearbeitet werden kann. Die Baumstruktur des Dokuments wird nicht aufgebaut. Stattdessen werden beim Parsen Ereignisse erzeugt. Diese können Aktionen auslösen XML und Analyse von XML-Dokumenten Analyse von XML-Dokumenten Beispiel 5.5. <?xml version="1.0"?> <rowset> <row>sax Test</row> </rowset> Für das XML-Dokument werden die folgenden Ereignisse erzeugt: StartDocument() StartElement( "rowset" ) StartElement( "row" ) Characters( "SAX Test" ) EndElement( "row" ) EndElement( "rowset" ) EndDocument() 245

12 5. XML und Analyse von XML-Dokumenten Analyse von XML-Dokumenten Die Ereignisse können grob in die folgenden Arten eingeteilt werden: Ereignisse durch den Inhalt eines XML-Dokument Ereignisse durch Validierung Ereignisse durch Fehler Um auf Ereignisse reagieren zu können, müssen sogenannte Handler implementiert werden. Wird zu einem Ereignis kein passender Handler gefunden, so bleibt dieses Ereignis unbehandelt. Zu den meisten Ereignissen werden vom Parser Parameter übergeben XML und Analyse von XML-Dokumenten Analyse von XML-Dokumenten <<interface>> ContentHandler <<interface>> ErrorHandler <<interface>> DTDHandler :MyContentHandler <<interface>> EntityHandler 4.1:setDocumentLocator() :MyErrorHandler 4.2:startDocument() 4.3:startElement() :MyDTDHandler 4.4:characters() 4.5:endElement() 4.n: enddocument() <<interface>> :XMLReader :SAXParser 3:setContentHandler() 4:parse() 2:new() main 1.1:new() 1:createXMLReader() :XMLReaderFactory :MyEntityHandler 247

13 5. XML und Analyse von XML-Dokumenten Analyse von XML-Dokumenten Schnittstellen zum Parser: Der XML Reader dient dazu, den XML-Parser zu konfigurieren, die Event Handler zu registrieren sowie das Parsen zu starten. Durch die Implementierung des Content Handlers kann auf Ereignisse reagiert werden, die durch den Inhalt eines XML-Dokuments entstehen. Der Error Handler unterscheidet zwei Arten von Fehlern: Error: Fehler, die beim Parsen übersprungen werden können Fatal Errror: Fehler, die zum Abbruch des Parsens führen XML und Analyse von XML-Dokumenten Analyse von XML-Dokumenten Beispiel 5.6. Parsing von XML-Dokumenten mit SAX: public void parserdemosax( String uri ) { System.out.println( "Parsing XML File: " + uri + "\n\n" ); contenthandler = new MyContentHandler(); errorhandler = new MyErrorHandler(); try { XMLReader parser = XMLReaderFactory.createXMLReader( PropertiesReader().getInstance().getProperty( "parserclass" ) ); parser.setcontenthandler( contenthandler ); parser.seterrorhandler( errorhandler ); 249

14 5. XML und Analyse von XML-Dokumenten Analyse von XML-Dokumenten parser.parse( uri ); } catch ( IOException e ) { System.out.println( "Error reading URI: " + e.getmessage() ) ; } catch ( SAXException e ) { System.out.println( "Error parsing URI: " + e.getmessage() ) ; } } XML und Analyse von XML-Dokumenten Analyse von XML-Dokumenten DOM: Bearbeitung von XML-Dokumenten DOM ist ein Standard (W3C), SAX ist public-domain Software. DOM zielt ab auf die Bearbeitung eines Dokuments, SAX auf das Parsing eines XML-Dokuments. DOM Level 1: Generische Navigation und Bearbeitung eines Dokuments DOM spezifiziert Interfaces für die entsprechenden Funktionalitäten und verschiedene Sprachen: z.b. Java, Javascript und CORBA. 251

15 5. XML und Analyse von XML-Dokumenten Analyse von XML-Dokumenten Navigation mit dem Document Object Model Order getfirstchild() getparentnode() getprevioussibling() OrderHeader Items getnextsibling() OrderID OrderDate Customer Item CustName Cust Adress ProdName UnitPrice XML und Analyse von XML-Dokumenten Analyse von XML-Dokumenten DOM: Beispiel in Java public void parserdemodom( String uri ) { System.out.println( "Parsing XML File: " + uri + "\n\n" ); DOMParser parser = new DOMParser(); try { parser.parse( uri ); Document doc = parser.getdocument(); printnode( doc, "" ); } catch ( Exception e ) { System.out.println( 253

16 5. XML und Analyse von XML-Dokumenten Analyse von XML-Dokumenten } "Error parsing URI: " + e.getmessage() ) ; } public void printnode( Node node, String ident ) { System.out.println( ident + node.getnodename() ); System.out.println( ident + node.getnodevalue() ); Node child = node.getfirstchild(); while ( child!= 0 ) { printnode( child, ident + " " ); child = child.getnextsibling(); } } 254