XML格式介绍

XML（可扩展标记语言）是一种看起来像HTML，但比HTML更严格、更通用的文档格式。如果说HTML是专门用来描述网页外观的"装修手册"，那么XML就是可以描述任何结构化数据的"万能容器"。

XML的由来：从SGML到XML

要理解XML从哪里来，我们先看一个技术家族的简单家谱：

  1. SGML（标准通用标记语言）：爷爷辈，1986年诞生，非常强大但也非常复杂

  2. HTML（超文本标记语言）：大儿子，1991年诞生，专门用于网页

  3. XML（可扩展标记语言）：小儿子，1998年诞生，目标是既保持SGML的结构化能力，又比SGML简单

为什么需要XML？

在90年代，人们遇到了几个问题：

  1. HTML只能描述网页外观，不能描述数据本身的意义

  2. 不同软件之间交换数据很困难，因为没有统一的数据格式

  3. SGML太复杂，不适合在网络上传输

于是，万维网联盟（W3C）在1998年发布了XML 1.0标准。它的设计目标是：

  • 简单易用（相对于SGML）

  • 能在互联网上使用

  • 可扩展（您可以创建自己的标签）

  • 能表示各种类型的数据

一个简单的历史比喻

您可以这样理解这三者的关系：

  • SGML 就像一套完整的乐高积木工厂，可以制造任何形状的积木，但操作复杂

  • HTML 就像一套已经拼好的乐高城堡套装，您只能按说明书拼，不能自己设计

  • XML 则像一盒基础乐高积木，您可以自由组合，创造出任何您想要的东西

XML基础语法：给数据穿上"标签外套"

XML的基本思想很简单：用标签把数据包裹起来，并用这些标签说明数据是什么。

标签：XML的基本单位

标签总是成对出现：一个开始标签，一个结束标签。

基本格式:

<标签名>数据内容</标签名>

举例:

<书名>三体</书名>
<价格>45.00</价格>
<作者>刘慈欣</作者>

这里，<书名> 和 </书名> 之间的"三体"就是书名数据。

元素：完整的标签包裹内容

一个元素 = 开始标签 + 内容 + 结束标签

<图书>
    <书名>三体</书名>
    <价格>45.00</价格>
</图书>

上面的 <图书> 元素包含了两个子元素：<书名> 和 <价格>。

属性：给标签添加额外信息

属性写在开始标签内，提供关于元素的额外信息。

格式:

<标签名 属性名="属性值">内容</标签名>

举例:

<图书 类别="科幻" 语言="中文">
    <书名>三体</书名>
    <价格 货币="人民币">45.00</价格>
</图书>

这里，类别="科幻" 是 <图书> 元素的属性，货币="人民币" 是 <价格> 元素的属性。

XML文档的基本结构

每个XML文档都应该有一个根元素，所有其他元素都在这个根元素内部。

完整的XML文档示例:

<?xml version="1.0" encoding="UTF-8"?>
<书店>
    <图书 类别="科幻">
        <书名>三体</书名>
        <作者>刘慈欣</作者>
        <价格 货币="人民币">45.00</价格>
        <出版年>2008</出版年>
    </图书>

    <图书 类别="文学">
        <书名>活着</书名>
        <作者>余华</作者>
        <价格 货币="人民币">38.00</价格>
        <出版年>1993</出版年>
    </图书>
</书店>

这个文档包含以下部分：

  1. XML声明 （第一行）：告诉解析器这是XML文档，版本是1.0，编码是UTF-8

  2. 根元素 <书店>：整个文档只有一个根元素

  3. 子元素 ：两个 <图书> 元素，每个包含自己的子元素

  4. 属性 ：类别="科幻" 等

XML的重要规则

XML有一些严格的语法规则，违反这些规则会导致文档无法被解析：

  1. 必须有根元素 ：所有元素必须包含在一个根元素内

  2. 标签必须正确嵌套 ：后开的标签必须先关闭

    • 正确：<a><b></b></a>

    • 错误：<a><b></a></b>

  3. 标签必须闭合 ：每个开始标签必须有对应的结束标签

    • 正确：<书名>三体</书名>

    • 错误：<书名>三体

  4. 大小写敏感 ： <Book> 和 <book> 是不同的标签

  5. 属性值必须加引号： ``类别="科幻"``（双引号或单引号都可以）

  6. 特殊字符需要转义：

    • < 要写成 &lt;

    • > 要写成 &gt;

    • & 要写成 &amp;

    • " 要写成 &quot;

    • ' 要写成 &apos;

XML的约束：确保数据格式正确

XML本身只关心语法是否正确，但不关心数据内容是否合理。比如，一个价格标签里写"免费"而不是数字，XML也不会报错。为了解决这个问题，XML提供了两种"约束"机制，用于定义XML文档的结构和规则。

DTD（文档类型定义）

DTD是最早的XML约束方式，它定义了一个XML文档中允许出现的元素、属性和它们的结构。

DTD示例:

<!DOCTYPE 书店 [
    <!ELEMENT 书店 (图书+)>
    <!ELEMENT 图书 (书名, 作者+, 价格, 出版年?)>
    <!ATTLIST 图书 类别 CDATA #REQUIRED>
    <!ELEMENT 书名 (#PCDATA)>
    <!ELEMENT 作者 (#PCDATA)>
    <!ELEMENT 价格 (#PCDATA)>
    <!ATTLIST 价格 货币 CDATA #IMPLIED>
    <!ELEMENT 出版年 (#PCDATA)>
]>

DTD中的符号含义：

  • +：出现一次或多次

  • ?：出现零次或一次

  • *：出现零次或多次

  • #PCDATA：文本内容

  • #REQUIRED：必需的属性

  • #IMPLIED：可选的属性

DTD的优缺点：

  • 优点：简单、紧凑

  • 缺点：功能有限，不支持数据类型（所有内容都是文本），语法与XML不同

XML Schema（XML模式）

XML Schema是更强大的约束语言，它本身也是用XML写的，支持丰富的数据类型。

XML Schema示例（简化）:

<?xml version="1.0" encoding="UTF-8"?>
<xs:schema xmlns:xs="http://www.w3.org/2001/XMLSchema">
    <xs:element name="书店">
        <xs:complexType>
            <xs:sequence>
                <xs:element name="图书" maxOccurs="unbounded">
                    <xs:complexType>
                        <xs:sequence>
                            <xs:element name="书名" type="xs:string"/>
                            <xs:element name="作者" type="xs:string" maxOccurs="unbounded"/>
                            <xs:element name="价格">
                                <xs:complexType>
                                    <xs:simpleContent>
                                        <xs:extension base="xs:decimal">
                                            <xs:attribute name="货币" type="xs:string" use="optional"/>
                                        </xs:extension>
                                    </xs:simpleContent>
                                </xs:complexType>
                            </xs:element>
                            <xs:element name="出版年" type="xs:integer" minOccurs="0"/>
                        </xs:sequence>
                        <xs:attribute name="类别" type="xs:string" use="required"/>
                    </xs:complexType>
                </xs:element>
            </xs:sequence>
        </xs:complexType>
    </xs:element>
</xs:schema>

XML Schema的特点：

  1. 支持丰富的数据类型（字符串、整数、小数、日期等）

  2. 支持数字范围限制、正则表达式等

  3. 使用XML语法，与文档本身一致

  4. 功能强大但更复杂

简单比喻：

  • DTD 就像一份简单的物品清单："书架：书若干本；书：书名、作者、价格"

  • XML Schema 就像一份详细的物品规格书："书架：可放1-100本书；书：书名（1-100字符）、作者（至少1个，最多5个）、价格（0.01-9999.99元，可选货币单位）"

XPath表达式：在XML文档中"导航"

XPath是一种在XML文档中查找信息的语言。您可以把它想象成XML文档的"导航系统"或"查询语言"。

XPath的基本概念

假设我们有以下XML文档:

<书店>
    <图书 类别="科幻">
        <书名>三体</书名>
        <价格>45.00</价格>
    </图书>
    <图书 类别="文学">
        <书名>活着</书名>
        <价格>38.00</价格>
    </图书>
</书店>

常见的XPath表达式

  1. 选择所有书名

    /书店/图书/书名

    结果：两个``<书名>``元素（"三体"和"活着"）

  2. 选择科幻类图书的价格

    /书店/图书[@类别='科幻']/价格

    结果：45.00

  3. 选择价格大于40的图书

    /书店/图书[价格 > 40]/书名

    结果："三体"

  4. 选择第一个图书元素

    /书店/图书[1]

    结果：第一个``<图书>``元素

  5. 选择所有文本内容

    //书名/text()

    结果："三体"和"活着"

XPath的常用语法

XPath常用语法

表达式

说明

示例

节点名

选择所有名为'节点名'的元素

书名 选择所有<书名>元素

/

从根节点开始选择

/书店/图书 从根开始找图书

//

从当前节点开始选择所有后代节点

//书名 选择文档中所有<书名>

.

当前节点

./书名 选择当前节点的子元素<书名>

父节点

../价格 选择父节点下的<价格>元素

@属性名

选择属性

@类别 选择'类别'属性

[位置]

按位置选择

图书[1] 选择第一个<图书>元素

[条件]

按条件选择

图书[价格>40] 选择价格大于40的图书

为什么需要XPath？

XPath让程序能够：

  1. 精确提取数据：从复杂的XML文档中快速找到所需信息

  2. 验证数据：检查文档是否符合特定条件

  3. 转换数据：为XML转换（XSLT）提供数据选择能力

  4. 简化编程：避免编写复杂的XML解析代码

XML的优缺点分析

优点

  1. 自描述性强：标签名通常能反映数据含义，人类容易理解

    <学生>
    <姓名>张三</姓名>
    <年龄>20</年龄>
</学生>

  2. 平台无关性：纯文本格式，任何系统都能处理

  3. 可扩展性：可以创建自己的标签，适应各种应用场景

  4. 结构化程度高：严格的层次结构，适合表示复杂数据

  5. 强大的生态支持：有XML Schema、XPath、XSLT等完整技术体系

  6. 广泛的标准支持：许多行业标准基于XML（如SOAP、SVG、Office Open XML）

缺点

  1. 冗长繁琐：标签占用了大量空间，文件体积大

    <!-- XML表示 -->
<person><name>John</name><age>30</age></person>

<!-- JSON表示同样的数据 -->
{"name": "John", "age": 30}

  2. 解析复杂：需要专门的解析器，处理速度相对较慢

  3. 学习曲线较陡：完整的XML技术栈（XML、DTD/Schema、XPath、XSLT）比较复杂

  4. 过度设计嫌疑：对于简单数据，XML可能显得"杀鸡用牛刀"

  5. 不够简洁：相比JSON等格式，XML的语法相对冗长

XML vs JSON：何时选择？

XML与JSON选择指南

场景

推荐使用

原因

文档型数据

XML

XML天生适合表示层次复杂的文档结构，如电子书、办公文档

配置文件中需要注释

XML

XML支持注释（<!-- 注释 -->），而JSON标准不支持注释

Web API数据传输

JSON

JSON更轻量，JavaScript原生支持，更适合网络传输

需要严格的数据验证

XML（配合XML Schema）

XML Schema提供了强大的验证能力，如数据类型、范围、格式等

简单数据交换

JSON

JSON语法更简洁，解析更快，文件体积更小

行业标准要求

按标准要求

如SOAP协议要求XML，RESTful API常用JSON；某些行业有XML标准

XML的实际应用场景

尽管JSON现在更流行，但XML仍在许多领域发挥着重要作用：

  1. 文档格式：

    • Microsoft Office文件（.docx, .xlsx, .pptx）

    • Adobe PDF的底层格式

    • eBook格式（EPUB）

  2. 配置文件：

    • Java项目的pom.xml（Maven）

    • Android应用的AndroidManifest.xml

    • 许多服务器软件的配置文件

  3. Web服务：

    • SOAP协议（企业级Web服务）

    • RSS/Atom订阅源

    • 网站地图（sitemap.xml）

  4. 数据交换：

    • SVG矢量图形

    • 地理数据（KML，用于Google Earth）

    • 办公文档的OpenDocument格式

  5. 行业标准：

    • 医疗：HL7（医疗信息交换）

    • 金融：FIXML（金融信息交换）

    • 出版：DocBook（技术文档）

一个现实世界的例子：RSS订阅

RSS（简易信息聚合）是XML的经典应用之一:

<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0">
    <channel>
        <title>新闻网站</title>
        <link>https://example.com</link>
        <description>最新新闻报道</description>
        <item>
            <title>重大科学发现</title>
            <link>https://example.com/news/123</link>
            <description>科学家宣布了一项重大发现...</description>
            <pubDate>Mon, 01 Jan 2024 12:00:00 GMT</pubDate>
        </item>
        <item>
            <title>经济数据发布</title>
            <link>https://example.com/news/124</link>
            <description>最新经济数据显示增长...</description>
            <pubDate>Mon, 01 Jan 2024 10:00:00 GMT</pubDate>
        </item>
    </channel>
</rss>

总结

XML是一种强大的标记语言，它通过给数据加上有意义的标签，使得数据既能让人类读懂，也能被机器处理。尽管现在JSON在很多场景下更受欢迎，但XML凭借其严谨的结构、强大的验证能力和完整的生态系统，在许多专业领域仍然不可替代。

XML的关键要点

  1. XML是关于数据的，不是关于显示的（那是HTML的工作）

  2. XML是可扩展的，您可以定义自己的标签

  3. XML是严格结构化的，有明确的开始和结束

  4. XML需要配合其他技术使用：

    • DTD/XML Schema：定义数据结构

    • XPath：在文档中查找数据

    • XSLT：转换XML文档

给初学者的建议

  1. 先理解基本概念：元素、属性、嵌套关系

  2. 从简单例子开始：尝试创建自己的XML文档

  3. 使用合适的工具：XML编辑器（如VS Code、XMLSpy）可以帮助验证语法

  4. 了解应用场景：知道XML在哪里还在被使用

  5. 不要害怕复杂：XML技术栈确实复杂，但大多数应用只需要基础部分

XML可能看起来有些"老派"，但它就像数据库中的关系型数据库一样，在需要严格结构、完整验证和行业标准支持的场景下，仍然是可靠的选择。当您下次遇到``.xml``文件时，不妨用文本编辑器打开看看，也许您会发现，它其实比想象中更容易理解。