XML解析器

解析器的主要功能就是检查XML文件是否有结构上的错误，剥离XML文件中的标记，读出正确的内容，以交给下一步的
应用程序处理。XML是一种用来结构化文件信息的标记语言，XML规范中对于如何标记文件的结构性有一个详细的法则，解
析器就是根据这些法则写出来的软件（多用Java写成）。同HTML一样，在浏览器中，必须有HTML的解析器，这样浏览器才
能够“读懂”各种用HTML标记所组成的网页，将它们显示在我们面前。如果有浏览器的HTML解析器读不懂的标记，将会返
回给我们错误信息。

　　由于现在的HTML标记实际上相当混乱，存在大量不规范的标记（有的网页用IE能正常显示，而用Netscape Navigator
则不行），所以从一开始，XML的设计者就严格规定了XML的语法和结构，我们编写的XML文件必须遵循这些规定，否则XML
解析器将毫不留情地给你显示错误信息。

　　有两种XML文件，一种是Well-Formed XML文件，一种是Validating XML文件。

　　如果一个XML文件满足XML规范中的某些相关法则，且没有使用DTD（文件格式定义——后详述）时，可称这份文件是
Well-Formed。而如果一个XML文件是Well-Formed，且正确地使用了DTD，DTD中的语法又是正确的，那么这个文件就是
Validating。对应两种XML文件，有两种XML解析器，一种是Well-Formed 解析器，一种是Validating解析器。IE 5中就内
含Validating解析器，Validating解析器也可用来解析Well-Formed XML文件。

　　检查它是否满足了Well-Formed的条件。我们可以将刚才编辑的第一个XML 文件用IE 5以上版本的浏览器打开。

　　大家可能要问为什么在浏览器中的显示和我的源文件一样？没错，因为对于XML文件，我们仅仅关心它的内容，而它的
显示形式是交给CSS或XSL来完成的。这里，我们并没有给这个XML文件定义它的CSS或XSL文件，所以它按照原来的形式来显
示。实际上，对于电子数据交换，仅仅需要一个XML文件即可，如果要将它以某种形式显示出来，我们就必须编辑CSS或XSL
文件（这个问题会在以后讨论）。

　　2.Well-Formed的XML文件

　　我们知道，XML必须是Well-Formed的，才能够被解析器正确地解析出来，显示在浏览器中。那么什么是Well-Formed的
XML文件呢？主要有下面几个准则，我们在创建XML文件的时候，必须满足它们。

　　首先，XML文件的第一行必须是声明该文件是XML文件以及它所使用的XML规范版本。在文件的前面不能够有其它元素或
者注释。

　　第二，在XML文件中有且只能够有一个根元素。

　　第三，在XML文件中的标记必须正确地关闭，也就是说，在XML文件中，控制标记必 须有与之对应的结束标记。如：
〈名称〉标记必须有对应的〈/名称〉结束标记，不像HTML，某些标记的结束标记可有可无。如果在XML文件中遇到自成一
个单元的标记，就是类似于HTML 中的〈img src=.....〉的这些没有结束标记的时候，XML把它称为“空元素”，必须用这
样的写法：〈空元素名/〉，如果元素中含有属性时写法则为：〈空元素名 属性名=“属性值”/〉。

　　第四，标记之间不得交叉。在以前的HTML文件中，可以这样写：

　　〈B〉〈H〉XXXXXXX〈/B〉〈/H〉,〈B〉和〈H〉

　　标记之间有相互重叠的区域，而在XML中，是严格禁止这样标记交错的写法，标记必须以规则性的次序来出现。

　　第五，属性值必须要用“ ”号括起来。如第一个例子中的“1.0”、“gb2312”、“人民币”。都是用“ ”号括起来
了的，不能漏掉。

　　第六，控制标记、指令和属性名称等英文要区分大小写。与HTML不同的是，在HTML中， 类似〈B〉和〈b〉的标记含义
是一样的，而在XML中，类似〈name〉、〈NAME〉或〈Name〉这样的标记是不同的。

　　第七，我们知道，在HTML文件中，如果我们要浏览器原封不动地将我们所输入的东西显示出来，可以将这些东西放到
〈pre〉〈/pre〉或者〈xmp〉〈/xmp〉标记中间。这对于我们创建HTML教学的网页是必不可少的，因为网页中要显示HTML
的源代码。而在XML中，要实现这样的功能，就必须使用CDATA标记。在CDATA标记中的信息被解析器原封不动地传给应用程
序，并且不解析该段信息中的任何控制标记。CDATA区域是由：“〈![CDATA][”为开始标记，以“]]〉”为结束标记。例
如：例2中的源码，除了“〈![CDATA[”和“]]〉”符号，其余的内容解析器将原封不动地交给下游的应用程序，即使
CDATA区域中的开始和结尾的空白以及换行字符等，都同样会被转交（注意CDATA是大写的字符）。

　　例2

　　〈![CDATA][ME的xml〉〉〉〉〉,:-)

　　oooo〈〈〈〈〈〈〈

　　]]〉

　　第八，XML处理空白字符和HTML不一样。HTML标准规定，不管有多少个空白，都当作一个空白来处理；而在XML中规
定，所有标记以外的空白，解析器都要忠实地交给下游的应用程序处理。这样，我们有时必须摒弃编写HTML文件时的缩排
习惯，因为缩排的空格，解析器也要处理。如：

　　 〈作者〉张三〈/作者〉

　　和

　　 〈作者〉

　　 张三

　　 〈/作者〉

　　上述内容对于解析器来说是不同的（后者在〈作者〉〈/作者〉标记之内除了张三这个字符以外，还包括两个换行记号以及“张三”前的文字缩排符号）。所以解析器在去掉标记后将信息传给应用程序将有不同的处理结果。

　　如果我们想明确地告诉XML程序，标记中的空白有明确的含义，不要随便去掉（如在一些诗中，空格有它具体的意
义），则可在标记中加入一个XML内置的属性——xml:space 。如（注意属性名称和值的大小写）：

　 〈诗歌 xml:space="preserver"〉

　　 xml！ xml！

　　 xml！

　　 〈/诗歌〉

　　另外，在XML文件中，如果要用到表1的特殊字符，必须用相应符号代替。

表1 特殊字符 替代符号
&& &
< &it;
> >
" "
&apos;

　　在此做个小结：符合上述规定的XML文件就是Well-Formed的XML文件。这是编写XML文件的最基本要求。可以看到XML文
件的语法规定比HTML要严格多了。由于有这样的严格规定，软件工程师编写XML的解析器就容易多了，不像编写HTML语言的
解析器，必须费尽心思去适应不同的网页写法，提高自己浏览器的适应能力。实际上，这对于我们初学者来说，也是一件
好事。该怎样就怎样，不必像原来那样去疑惑各种HTML的写法。

　　我们看到，在XML文件中，用的大多都是自定义的标记。但是大家考虑一下，如果两个同行业的公司A和B要用XML文件
相互交换数据，A公司用〈价格〉标记来表示他们产品的价格信息，而B公司可能用〈售价〉来表示价格信息。如果一个XML
应用程序来读取他们各自的XML文件中的信息时，如果它只知道〈价格〉标记里表示的是价格信息，那么B公司的价格信息
就读不出来，必将产生错误。显然，对于想利用XML文件来交换信息的实体来说，他们之间必须有一个约定——即编写XML
文件可以用哪些标记，母元素中能够包括哪些子元素，各个元素出现的顺序，元素中的属性怎样定义等。这样他们在用XML
交换数据时才能够畅通无阻。这种约定称为DTD（Document Type Definition，文档格式定义）。可以把DTD看作编写XML文
件的模板。对于同行业之间的XML数据交换，有一个固定的DTD将会方便很多。比如说，如果网上的各大电子商场的XML网页
都遵循同一个DTD时，那么我们就可以轻松地依据这个DTD 编写一个应用程序，去网上将我们感兴趣的东西自动抓回来。事
实上已经有了好几个定义好的DTD，如前面所说的MathML、SMIL等。

　　如果一个XML文件是Well-Formed的，并且它是正确的依据某个DTD建立的，那么，这个XML文件就被称为：Validating
XML文件。相应的解析器就称为：Validating Parser。