XML

• Extensible Markup Language
• Baserat på äldre formatet SGML, som också influerade HTML
• Format för att beskriva dokument
  • Ej ett generellt dataformat
  • Används dock i praktiken till att beskriva alla sorters data

Representationer av data

• Data (information) är abstrakt
• Datorn måste arbeta med en representation av data
• Exempel:
  • C#-objekt
  • CSV
  • SQL

Olika representationer

• C#-objekt
  • Strängar, heltal, arrayer, objekt, arrayer i objekt, ...
  • Finns bara under programmets körning
  • Sparas sällan till filer
• CSV
  • En CSV-fil är en tabell
  • Rader och kolumner
• SQL
  • En SQL-databas är en samling tabeller
  • Varje tabell har rader och kolumner
• Tabeller är lämpliga för viss data och olämpliga för annan
  • Förhållanden mellan tabeller kan vara svårförstådda
  • Tabeller är snabbare för vissa datastrukturer, långsammare för andra

Ett XML-dokument är ett träd

• Matematisk/datavetenskaplig definition av träd:
  • Noder med noll eller flera barn
  • Varje barn kan i sin tur ha barn (dvs. barnbarn)
  • Varje nod innehåller också ett namn/värde
  • Till skillnad från riktiga träd: roten längst upp
• Mest bekanta exemplet: släktträd
  • Föräldrar med noll eller flera barn
  • Varje barn kan i sin tur ha barn (dvs. barnbarn)
  • Varje person har ett namn

Exempel på träd

• Carl
  • Victoria
    • Estelle
    • Oscar
  • Carl Philip
    • Alexander
    • Gabriel
  • Madeleine
    • Leonore
    • Nicolas

Samma träd i XML

1. <?xml version="1.0"?>
2. <Carl>
3. <Victoria>
4. <Estelle></Estelle>
5. <Oscar></Oscar>
6. </Victoria>
7. <CarlPhilip>
8. <Alexander></Alexander>
9. <Gabriel></Gabriel>
10. </CarlPhilip>
11. <Madeleine>
12. <Leonore></Leonore>
13. <Nicolas></Nicolas>
14. </Madeleine>
15. </Carl>

Typer av noder i XML

• Element
  • Namn (sträng)
  • Noll eller flera barn (av valfri nodtyper)
• Attribut
  • Namn (sträng)
  • Värde (sträng)
  • Inga barn
• Text
  • Enbart en sträng
  • Inga barn

Mindre vanliga/viktiga typer av noder

• XML declaration
  • <?xml version="1.0"?>
  • Bör finnas med i början av en XML-fil
• Kommentar
  • <!-- kommentar -->
• Entity reference
• Processing instruction
• ...

Element

• Den enda komposita datatypen i XML
• Nod som kan innehålla andra noder
• Namn och barn

1. <country code="SE">
2. <name>Sweden</name>
3. <city>Stockholm</city>
4. <city>Gothenburg</city>
5. <city>Malmö</city>
6. <stats>
7. <population>10065389</population>
8. <area>450295</area>
9. </stats>
10. </country>

• country
  • code=SE
  • name
    • Sweden
  • city
    • Stockholm
  • city
    • Gothenburg
  • city
    • Malmö
  • stats
    • population
      • 10065389
    • area
      • 450295

Attribut

• Enbart ett namn och ett värde
  • Båda är strängar
• Samma namn enbart en gång per element
• Ej ordnade
• Elementet kan också ha andra sorters barn

1. <person name="Jakob" age="30" height="1.81" employed="true">
2. <skill>C#</skill>
3. <skill>SQL</skill>
4. </person>

• person
  • name=Jakob
  • age=30
  • height=1.81
  • employed=true
  • skill
    • C#
  • skill
    • SQL

Text

• Enbart en sträng
• Kan vara syskon med element: "mixed content"

1. <paragraph>This is a paragraph with some <red>highlighted</red> text.</paragraph>
3. <!-- eller: -->
5. <paragraph>
6. This is a paragraph with some
7. <red>highlighted</red>
8. text.
9. </paragraph>

• paragraph
  • This is a paragraph with some
  • red
    • highlighted
  • text

Val av XML-representation

• Vissa dataformat översätts oförändrat ("ett-till-ett") när de läses in
  • CSV blir en tabell med rader och kolumner
  • Enda tvetydigheten är huruvida första raden innehåller rubriker eller inte
• XML-data översätts sällan oförändrat
  • Vissa program arbetar direkt med trädstrukturen, men de flesta gör inte det
  • Arrayer och objekt (i C#)
  • Tabeller (i SQL)
• Det finns inget universellt, standardiserat sätt att representera data med XML
  • Vi måste välja en egen
  • Undantaget är när någon annan redan har valt åt oss (exempelvis Atom, RSS, SVG)

Lista med "lösa" element

1. <movie>
2. <title>Signs</title>
3. <actor>Mel Gibson</actor>
4. <actor>Joaquin Phoenix</actor>
5. <actor>Abigail Breslin</actor>
6. <actor>Rory Culkin</actor>
7. </movie>

Vad betyder detta?

1. <movie>
2. <actor>Mel Gibson</actor>
3. <actor>Joaquin Phoenix</actor>
4. <title>Signs</title>
5. <actor>Abigail Breslin</actor>
6. <actor>Rory Culkin</actor>
7. </movie>

Lista med grupperade element

1. <movie>
2. <title>Signs</title>
3. <actors>
4. <actor>Mel Gibson</actor>
5. <actor>Joaquin Phoenix</actor>
6. <actor>Abigail Breslin</actor>
7. <actor>Rory Culkin</actor>
8. </actors>
9. </movie>

Vad betyder detta?

1. <movie>
2. <title>Signs</title>
3. <actors>
4. <actor>Mel Gibson</actor>
5. <actor>Joaquin Phoenix</actor>
6. </actors>
7. <actors>
8. <actor>Abigail Breslin</actor>
9. <actor>Rory Culkin</actor>
10. </actors>
11. </movie>

Lista med attribut

• Är det möjligt?

Element och attribut

1. <book last-edit-date="2017-01-02">
2. <title>How to Repair Bicycles</title>
3. </book>

Enbart element

1. <book>
2. <last-edit-date>2017-01-02</last-edit-date>
3. <title>How to Repair Bicycles</title>
4. </book>

Enbart attribut

1. <book last-edit-date="2017-01-02" title="How to Repair Bicycles"></book>
3. <!-- eller: -->
5. <book
6. last-edit-date="2017-01-02"
7. title="How to Repair Bicycles">
8. </book>

Vanlig princip: data i element, metadata i attribut

• Metadata: data om data
• Men vad händer om metadatan är komposit?

1. <book last-edit-date="2017-01-02, 2017-03-04, 2017-05-06">
2. <title>How to Repair Bicycles</title>
3. </book>

Mindre opålitlig princip

• Om ett värde alltid kommer att vara enbart en sträng, använd attribut
  • Annars element
• Attribut är vanligtvis enklare att läsa, skriva och söka efter
• Vad kommer alltid att vara strängar?
  • Heltal, decimaltal: representeras alltid som strängar i XML
  • ID:n, URL:er, sökvägar
  • Namn, titlar
    • Men bara om de garanterat aldrig kommer att innehålla formatering!

Rotnod

• Vissa exempel som följer är förenklade
• Samtliga XML-dokument måste ha en enda rotnod
• Om man inte har något mer betydelsefullt namn: <root>...</root>
• Ej giltigt:

1. <person name="Angelina"/>
2. <person name="Brad"/>

• Giltigt:

1. <people>
2. <person name="Angelina"/>
3. <person name="Brad"/>
4. </people>

Tomma element

1. <something></something>
3. <!-- likvärdigt med: -->
5. <something/>

• Gäller även om elementet har attribut:

1. <something abc="123"/>

Skiljetecken, stora/små bokstäver

• Inga universella regler eller konventioner

1. <PascalCase/>
2. <camelCase/>
3. <underscore_case/>
4. <hyphen-case/>

• Bestäms ofta av språket som XML:en läses in med
• Men när den läses in med flera språk?

Verkar XML flummigt?

• Väldigt få universella regler och konventioner
• Etablerade sätt att kräva en viss struktur finns:
  • DTD (Document Type Definition)
  • XML Schema
• Annars: det egna programmet behöver kontrollera filens giltighet

Större exempel

1. <artist name="Red Hot Chili Peppers">
2. <member first="Anthony" last="Kiedis"/>
3. <member .../>
4. <album title="Californication" release="1999-06-08">
5. <song title="Around the World" length="123">
6. <lyrics>All around the world...</lyrics>
7. </song>
8. <song ...>...</song>
9. </album>
10. <album ...>...</album>
11. </artist>
12. <artist ...>...</artist>

Gemensamma värden

• Trädstrukturen passar bra när inga objekt ("saker") delar på något
  • Alltså inga many-to-many-förhållanden
• Två alternativ när värden behöver delas:
  1. Spara värdet på en plats och referera till det med någon form av ID
  2. Upprepa värdet på varje plats

Referenser till gemensamma värden

1. <artist name="Red Hot Chili Peppers">
2. <member person="1"/>
3. <member person="2"/>
4. <member person="3"/>
5. <member person="4"/>
6. <album title="Californication" release="1999-06-08">
7. <song title="Around the World" length="123">
8. <lyrics>All around the world...</lyrics>
9. <composer person="1"/>
10. <composer person="3"/>
11. </song>
12. </album>
13. </artist>
14. <person id="1" first="Anthony" last="Kiedis"/>
15. <person id="2" first="Michael" last="Balzary"/>
16. <person id="3" first="John" last="Frusciante"/>
17. <person id="4" first="Chad" last="Smith"/>

Upprepade gemensamma värden

1. <artist name="Red Hot Chili Peppers">
2. <member first="Anthony" last="Kiedis"/>
3. <member first="Michael" last="Balzary"/>
4. <member first="John" last="Frusciante"/>
5. <member first="Chad" last="Smith"/>
6. <album title="Californication" release="1999-06-08">
7. <song title="Around the World" length="123">
8. <lyrics>All around the world...</lyrics>
9. <composer first="Anthony" last="Kiedis"/>
10. <composer first="John" last="Frusciante"/>
11. </song>
12. </album>
13. </artist>

Vilket ska man välja?

• Beror på bland annat:
  • Vad är lättast för programmet/programmen att skapa?
  • Vad är lättast för programmet/programmen att läsa?
  • Vad är lättast för utvecklaren att läsa/redigera?
  • Vad tar minst plats?

XML i SQL

• SQL Server har stöd för XML på olika sätt
  • Exempelvis lagra XML i en cell
• Mer om detta i nästa kurs

Sammanfattning

• XML representerar data som ett träd
• Matchar inte alltid representationer med tabeller (som CSV och SQL)
• Samma sak går att göra på många sätt
• Om man inte är bunden till ett givet format så behöver man välja själv hur XML:en ska se ut