XML

XML (Extensible Markup Language) er et universelt og utvidbart markeringsspråk og en forenklet videreføring av SGML. XML er et verktøy for deling av strukturerte data mellom informasjonssystemer, særlig over internett. XML brukes imidlertid også til koding av dokumenter og som kommunikasjonsmiddel mellom ulike informasjonssystemer og dataformater. Filformatet .xml organiserer data i en hierarkisk struktur. Formatet er et vanlig tekstformat, leselig for mennesker, der merker, eller tagger, gir informasjon om hva innholdet er.

XML
MIME-type		application/xml, text/xml (deprecated)
Uniform Type Identifier (UTI)		public.xml
Utviklet av		World Wide Web Consortium
Utviklet fra		SGML, Unicode
Utviklet til		semantisk web, XHTML, OpenDocument, Office Open XML,, Scalable Vector Graphics
Standard		1.0 (Fourth Edition) 1.1 (Second Edition)

Spesifikasjonen av XML, som gis ut av W3C, fastsetter et metaspråk som andre språk kan defineres ut fra. De eksakte kravene til et konkret språk som bygger på XML fastsettes av en DTD eller et XML-skjema, spesielt XML Schema (XSD). Noen kjente beskrivelsesformalismer som bygger på XML er RSS, XHTML, HTML5, MathML og Scalable Vector Graphics (SVG).

Styrker og svakheter

Det som gjør XML spesielt velegnet for datautveksling er:

• Formatet er både menneskelig lesbart og maskinlesbart.
• Det kan bruke tegnsettet Unicode, som representerer alle nåværende og kjente historiske tegnsystemer.
• Det er egnet til å representere generelle datastrukturer som databasetabeller, lister og trestrukturer.
• Formatet er selvdokumenterende ved at det beskriver strukturen og datanavnene i tillegg til selve dataverdiene.
• Det har en streng syntaks som gjør dataene enkle å tolke for et program.

XML brukes også utstrakt for dokumentlagring og prosessering, både over nett og lokalt. Følgende fordeler kan nevnes:

• Robust, logisk verifiserbart format basert på internasjonale, åpne standarder.
• Hovedsakelig hierarkisk struktur velegnet for de fleste (men ikke alle) typer dokumenter.
• Plattformuavhengig, og derfor ganske immun mot teknologiendringer.
• Markeringsspråk har vært i bruk siden 1980-tallet (SGML), er svært populært i seg selv, og er derfor støttet av en stor mengde programvare.

For visse anvendelser har formatet også noen svakheter:

• XML-syntaks er nokså plasskrevende og delvis redundant (start- og sluttagg med samme metainformasjon).
• Det setter større krav til overføringskapasitet og øker lagringskostnader. Det er altså et problem ved begrenset båndbredde, selv om filkompresjon har stor effekt.
• XML-syntaks har noen spesielle egenskaper fra dens SGML-kompatibilitet.
• XML krever ofte spesiell parsing for å hente ut individuelle verdier.
• Modellering av overlappende (ikke-hierarkiske) datastrukturer krever ekstra innsats.
• Mapping av XML til objektorienterte eller relasjons-paradigmer kan være komplisert.

Syntaksregler for XML

Et XML-dokument er vanligvis en tekstfil med en Unicode-basert tegnkoding som UTF-8 eller UTF-16, selv om en annen tegnkoding (for eksempel ISO-8859-1 eller ASCII) alternativt kan brukes.

Til forskjell fra for eksempel tradisjonell HTML er XML helt avhengig av struktur, innhold og korrekthet for å kunne håndteres effektivt. For at et dokument skal regnes for å være «velformet» (W3C Recommendation XML 1.0 (Third Edition)), må det som minimum oppfylle følgende:

• Det må ha ett og bare ett rotelement.
• Ikke-tomme elementer må begrenses av en starttagg og en sluttagg med samme navn: <avsnitt>...</avsnitt>. Tomme elementer (det vil si uten datainnhold eller subelementer, men eventuelt med attributter) kan alternativt angis med en såkalt lukket tagg: <nylinje/>.
• Alle attributtverdier må settes i anførselstegn (enten et enkelt rett anførselstegn (') eller et dobbelt rett anførselstegn (")). En attributtverdi må begynnes og avsluttes med samme type anførselstegn. Den typen anførselstegn som ikke brukes til å omslutte attributtverdien, kan brukes som en del av attributtverdien.
• Elementer kan inneholde andre elementer, men ikke overlappe hverandre. Det betyr at alle ikke-rotelementer må være fullstendig inneholdt i et annet element.
• Det er forskjell på store og små bokstaver i elementnavn. For eksempel er <Eksempel> og </Eksempel> et velformet par, mens <Eksempel> og </eksempel> ikke er det.

Gode valg av elementnavn gjør at en kan bygge inn semantikk (mening) i dataene som en del av strukturen. Dette gjør at XML-dokumenter enklere kan forstås av mennesker, samtidig som de er prosesserbare av dataprogrammer.

Her er et eksempel på et XML-dokument, en oppskrift på loffbaking:

<?xml version="1.0" encoding="UTF-8"?>
<oppskrift navn="Loff" forberedelsestid="5 minutter" totaltid="3 timer">
  <tittel>Vanlig loff</tittel>
  <ingrediens mengde="900" enhet="milliliter">Siktet hvetemel</ingrediens>
  <ingrediens mengde="2,5" enhet="teskje">Gjær</ingrediens>
  <ingrediens mengde="300" enhet="milliliter">Lunket vann</ingrediens>
  <ingrediens mengde="1,5" enhet="teskje">Salt</ingrediens>
  <ingrediens mengde="3" enhet="spiseskje">Vegetabilsk olje</ingrediens>
  <ingrediens mengde="2,5" enhet="spiseskje">Sukker</ingrediens>
  <fremgangsmåte>
    <trinn>Bland alle ingredienser og kna grundig.</trinn>
    <trinn>Dekk over med et klede og sett til heving i et varmt rom.</trinn>
    <trinn>Kna på nytt, legg i en form og stek ved 200 grader celsius i 1 time.</trinn>
  </fremgangsmåte>
</oppskrift>

Elementnavnene kan brukes for alle mulige matoppskrifter, mens det aktuelle innholdet (instansen) uttrykker en brødoppskrift.

Ved å gi logiske navn til elementer og attributter blir det lettere for andre å forstå XML-dokumentet uten å ha lest en formatbeskrivelse først.

Et XML-dokument som er velformet og i tillegg oppfyller kravene i et tilknyttet XML Schema-dokument eller en DTD, kalles gyldig (engelsk: valid). Slike valideringsdokumenter for XML kalles på norsk XML-skjemaer (eng. XML schema).(liten s).

Skjemaspråk

Før de generelle databeskrivelsesspråkene som SGML og XML kom, måtte programvareutviklere definere spesielle filformater eller minispråk for å utveksle data mellom programmer. Dette krevde videre utvikling av spesiell lese- og skrivekode samt detaljerte formatbeskrivelser.

XMLs regelmessige struktur og strenge syntaksregler gjør at programvareutviklere kan bruke standard kode for lesing og skriving. Og ettersom XML har sitt datamodellorienterte rammeverk for utvikling av anvendelsestilpassede språk, kan utviklere begrense seg til å utvikle høyt abstraherte beskrivelser veltilpasset for sine data.

Et XML-skjema er en beskrivelse av en gitt type XML-dokument som uttrykker innhold og begrensninger som går videre i forhold til det som er definert av XML som sådan. Et antall standard og spesialtilpassede skjemaspråk er blitt utviklet for å formaldefinere slike beskrivelser. Noen av disse er XML-baserte selv.

Det finnes mange godt utprøvde verktøy for å validere XML-dokumenter mot et XML-skjema, slik at innholdet følger de begrensninger som ligger i skjemaet. De blir også brukt i XML-behandlingsprogrammer til å gi løpende tilbakemeldinger på lovlig innhold.

Det eldste skjemaformatet er Document Type Definition (DTD), som er arvet uendret fra SGML. Mens DTD alltid støttes av diverse verktøy ettersom det var med i XML 1.0, er det begrenset i anvendelsen av følgende årsaker:

• Det har ikke støtte for nye XML-egenskaper, herunder navnerom som den viktigste.
• Det har manglende uttrykksevne. Visse formelle sider ved et XML-dokument kan ikke uttrykkes i en DTD.
• DTD har ikke XML-syntaks.

Et nyere skjemaspråk, beskrevet av W3C som etterfølgeren til DTD-er, kalles rett og slett XML Schema, og refereres gjerne som XML Schema Definition (XSD). XSD har langt sterkere uttrykksevne enn DTD til å beskrive XML-språk. Dessuten bruker XSD et XML-basert format som gjør det mulig å anvende XML-verktøy til å prosessere XSD-dokumenter. Det er også mulig å lage et XML Schema-dokument for språket selv (hvilket også er gjort).

Her er et XML Schema-dokument som kan brukes for å validere oppskrift-eksemplet over:

<?xml version="1.0" encoding="UTF-8"?>
<xsd:schema xmlns:xsd="http://www.w3.org/2001/XMLSchema" elementFormDefault="qualified" attributeFormDefault="unqualified">
  <xsd:element name="oppskrift" type="Oppskrift"/>
  <xsd:complexType name="Oppskrift">
    <xsd:sequence>
      <xsd:element name="tittel" type="xsd:string"/>
      <xsd:element name="ingrediens" type="Ingrediens" maxOccurs="unbounded"/>
      <xsd:element name="fremgangsmåte" type="Fremgangsmåte"/>
    </xsd:sequence>
    <xsd:attribute name="navn" type="xsd:string"/>
    <xsd:attribute name="forberedelsestid" type="xsd:string"/>
    <xsd:attribute name="totaltid" type="xsd:string"/>
  </xsd:complexType>
  <xsd:complexType name="Ingrediens">
    <xsd:simpleContent>
      <xsd:extension base="xsd:string">
        <xsd:attribute name="mengde" type="xsd:decimal"/>
        <xsd:attribute name="enhet" type="xsd:string"/>
      </xsd:extension>
    </xsd:simpleContent>
  </xsd:complexType>
  <xsd:complexType name="Fremgangsmåte">
    <xsd:sequence>
      <xsd:element name="trinn" type="xsd:string" maxOccurs="unbounded"/>
    </xsd:sequence>
  </xsd:complexType>
</xsd:schema>

Noen negative aspekter med XSD:

• Standarden er svært stor, noe som gjør den vanskelig å forstå og implementere.
• Den XML-baserte syntaksen gjør skjemaet omfangsrikt og krevende å lese og skrive.

Et annet populært skjemaspråk er RELAX NG. Det ble opprinnelig standardisert av OASIS og er nå også en ISO-standard som del av DSDL). RELAX NG har to hovedretninger for syntaksen, en som er XML-basert og en kompakt variant som ikke bruker XML. Den kompakte syntaksen sikter mot å øke lesbarhet og skrivbarhet, mens siden det finnes en veldefinert måte å oversette kompakt syntaks til XML-syntaks og tilbake igjen, har en ikke mistet fordelen med å kunne bruke standard XML-verktøy. RELAX NG har en mer kompakt definisjon, noe som gjør den lettere å implementere enn XSD.

Noen skjemaspråk beskriver ikke bare strukturen til et gitt XML-format, men tilbyr også noen enkle muligheter for å prosessere individuelle XML-filer som følger formatet. Både DTD og XSD har denne evnen. De kan for eksempel forsyne XML-dokumenter med default-verdier. I RELAX NG har en bevisst unnlatt å tilby slike egenskaper.

Visning av XML på Internett

Extensible stylesheet language (XSL) er et tillegg til XML som gjør det mulig å beskrive visuelle egenskaper og transformasjoner av XML-data uten å legge instruksjonene inn i dataene selv. Det resulterende dokumentet kan så fremstilles i en nettleser akkurat som et HTML-dokument som bruker CSS for fremvisning. En måte å oppnå dette på er å inkludere følgende i XML-dokumentet:

<?xml-stylesheet type="text/xsl" href="transform.xsl"?>

som deklarerer at det navngitte XSLT-stilarket skal brukes for å transformere XML-dokumentet til HTML. Denne prosessen kan både foregå på webtjeneren og i nettleseren.

Et XML-dokument kan også fremvises direkte i noen nettlesere slik som Internet Explorer 5 eller Mozilla med presentasjonsspråket CSS. Denne prosessen er per mars 2004 fortsatt ikke stabil i de nevnte nettleserne. I andre nettlesere, som Opera, fungerer dette greit.

For at CSS-formatering skal tillates, må XML-dokumentet inkludere en spesiell referanse til et stilark:

<?xml-stylesheet type="text/css" href="myStyleSheet.css"?>

Vær oppmerksom på at dette avviker vesentlig fra HTML sin måte å referere til et stilark på, som bruker link-elementet.

Spesielle anvendelser av XML finnes i det grafiske filformat SVG og et IM-system kalt Jabber.

En XSL-prosessor kan brukes for å vise en XML-fil på skjerm eller utskrift. XSL er egentlig beregnet på å lage PDF-filer. XSLT brukes til å oversette XML til andre formater – XHTML, andre varianter av XML, eller et vanlig tekstformat.

Tolking av XML

XML kan brukes til å organisere data i en hierarkisk struktur. XML er svært fleksibelt og kan derfor tolerere at dataene er irregulære og ufullstendige. Man snakker om semi-strukturerte data.

XPath er et språk som brukes til å velge ut elementer i et XML-dokument ved at den tolker XML-dokumenter som trær av noder. XPath kan navigere gjennom disse nodene og bruke logiske operatorer og funksjoner på dataene som ligger i dokumentet.

XQuery er et spørrespråk som brukes på XML-data. XQuery kan brukes til kommunikasjon mellom nett og databaser og er sammen med XML et skritt i retning av det semantiske nett, som er en av visjonene til W3C. Tanken er at informasjon i XML-dokumenter i større grad merkes med innhold, slik at det er lettere for informasjonssystemer å søke opp og sammenligne aktuell informasjon.

Prosessering av XML-filer

API-ene (Application Program Interface) mest brukt for prosessering av XML-data via et programmeringsspråk er SAX og DOM. SAX brukes for sekvensiell prosessering, mens DOM brukes for uthenting av enkeltverdier. En annen type XML-prosesserende API er databinding, hvor XML-data gjøres tilgjengelig som en strengt typet datastruktur for et programmeringsspråk, i motsetning til DOM. Eksempel på et slikt databindingssystem er Java Architecture for XML Binding (JAXB) [1] og Strathclyde Novel Architecture for Querying XML (SNAQue) [2].

Den innebygde filformatet for OpenOffice.org og AbiWord er XML. Deler av Microsoft Office 11 vil også være i stand til å redigere XML-filer ved hjelp av et brukergitt schema (ikke DTD). Det finnes et titall andre XML-editorer.

XML-versjoner

Den siste XML-versjonen er 1.1 (4. februar 2004). Spesifikasjonen til den første versjonen, XML 1.0, er nå revidert for tredje gang.

XML 1.0 og XML 1.1 er ulike i forhold til krav til tegn som kan brukes i elementnavn, attributtnavn o.l.: XML 1.0 tillater bare tegn som er lovlige Unicode 2.0. Dette inkluderer de fleste «world scripts», men utelukker «scripts» som kan brukes i senere versjoner av Unicode, som mongolsk, kambodsjansk, amharisk, burmesisk, etc. XML 1.1 har begrensninger bare når det gjelder visse styretegn, hvilket innebærer at alle andre tegn kan brukes, selv om Unicode-standarden vokser eksponensielt.

Det bør nevnes at begrensningen som er til stede i XML 1.0 bare gjelder element- og attributtnavn (komponentnavn). Både XML 1.0 og XML 1.1 tillater alle Unicode-tegn i selve innholdet. XML 1.1 er derfor bare nødvendig dersom du ønsker å bruke Unicode i komponentnavn.

Andre mindre endringer mellom XML 1.0 og XML 1.1 er at styretegn nå tillates bare om de inngår i en escape-sekvens. To spesielle formfeed-tegn, som må behandles som «whitespace», er inkludert.

Alle XML 1.0-dokumenter er lovlige XML 1.1-dokumenter, med ett unntak: XML-dokumenter som erklærer seg selv som ISO-8859-1-kodet, som betyr CP1252-kodet, kan nå være ulovlig. Dette er fordi CP1252 bruker styretegnblokker av ISO-8859-1 for spesielle tegn, som €, Œ, og ™. XML 1.0-dokumenter som deklarerer CP1252-koding vil likevel være gyldige.

Det snakkes også om XML 2.0, selv om det gjenstår å se om det noensinne dukker opp. XML-SW (SW for skunk works), skrevet av en av de opprinnelige utviklerne av XML, inneholder noen forslag til en XML 2.0-versjon, for eksempel at DTD ikke lenger skal være tillatt, samt integrasjon av navnerom, XML Base og XML Information Set inn i hovedstandarden.

Se også

• DocBook
• SMIL (Synchronized Multimedia Integration Language)
• WSDL

Eksterne lenker

• (en) Offisielt nettsted
• (en) XML – kategori av bilder, video eller lyd på Commons
• XML-spesifikasjon
  • Annotated XML Specification
  • World Wide Web Consortiums nettsted
  • Spesifikasjonen av XML 1.1
  • Spesifikasjonen av XML 1.0