libxml2剖析(1)：功能特性

1、概述
    本文整理自官方页面http://xmlsoft.org/。
    Libxml2是一个用来解析XML文档的函数库。它用C语言写成，并且能为多种语言所调用，例如C语言, C++, C#, Python, Kylix/Delphi, PHP, Ruby, Pascal, Tcl等。Perl中也可以使用XML::LibXML模块。它最初是为GNOME开发的项目，但现在可以用在各种各样的场合。libXML2代码可移植性非常好，因为它基于标准的ANSI C，并采用MIT许可证。它可以移植到各种各样的系统，包括Linux, Unix, Windows, CygWin, MacOS, MacOS X, RISC Os, OS/2, VMS, QNX, MVS, VxWorks等等。
    可从ftp://xmlsoft.org/libxml2/处下载libxml2的最新源码，当前为libxml2-2.9.0.tar.gz，解开后可以看到，源文件都在根目录下，所有文档在doc目录，头文件在include/libxml/目录下。
    Libxml2实现了一系列与标记语言相关的标准：
    （1）XML标准：http://www.w3.org/TR/REC-xml
    （2）XML命名空间：http://www.w3.org/TR/REC-xml-names/
    （3）XML Base: http://www.w3.org/TR/xmlbase/
    （4）RFC 2396: 统一资源标识符(URI)，http://www.ietf.org/rfc/rfc2396.txt
    （5）XML路径语言(XPath) 1.0: http://www.w3.org/TR/xpath
    （6）HTML4解析器: http://www.w3.org/TR/html401/
    （7）XML指针语言(XPointer)版本1.0: http://www.w3.org/TR/xptr
    （8）XML包含机制(XInclude)版本1.0: http://www.w3.org/TR/xinclude/
    （9）ISO-8859-x编码，还有rfc2044[UTF-8]和rfc2781[UTF-16]的Unicode编码，通过使用iconv库，还可以支持更多其他的编码（如亚洲语言的编码）
    （10）SGML开放技术方案TR9401:1997的部分特性
    （11）XML目录(XML Catalogs)工作草案: http://www.oasis-open.org/committees/entity/spec-2001-08-06.html
    （12）规范化XML(Canonical XML)版本1.0: http://www.w3.org/TR/xml-c14n，以及规范化算法(Exclusive XML Canonicalization CR草案) http://www.w3.org/TR/xml-exc-c14n
    （13）Relax NG, ISO/IEC 19757-2:2003, http://www.oasis-open.org/committees/relax-ng/spec-20011203.html
    （14）W3C XML Schemas第二部分: 数据类型 http://www.w3.org/TR/2001/REC-xmlschema-2-20010502/
    （15）W3C xml:id工作草案（2004-04-07）: http://www.w3.org/TR/xml-id/
    大部分情况下libxml2以严格兼容的方式实现这些规范。从2.4.16版开始，libxml2通过了来自OASIS XML Tests Suite(http://www.oasis-open.org/committees/xml-conformance/)的所有1800多个测试。
    libxml2提供了对下列规范提供了一定程度的支持，但还没有对这些规范提供完整全面地支持：
    （1）文档对象模型(DOM) http://www.w3.org/TR/DOM-Level-2-Core/：文档模型，但没有实现API自身，gdome2在libxml2之上完成这项工作。
    （2）RFC 959: libxml2实现了基本的FTP客户代码。
    （3）RFC 1945: HTTP/1.0，以及基本的HTTP客户代码。
    （4）SAX: 一个SAX2风格的接口，和一个兼容早期expat版本的最小限度的SAX1实现。
    XML Schemas第一部分:结构（http://www.w3.org/TR/2001/REC-xmlschema-1-20010502/）的部分实现正在进行。
    下面是一些独立的文档：
    （1）libxslt: http://xmlsoft.org/XSLT/，为libxml2提供一个XSLT 1.0的实现，和类似于EXSLT的常用扩展。
    （2）gdome2: http://gdome2.cs.unibo.it/，为libxml2提供一个标准的DOM2实现。
    （3）XMLSec: http://www.aleksey.com/xmlsec/，为libxml2提供W3C XML数字签名（http://www.w3.org/TR/xmldsig-core/）的实现。
    Libxml2的一些关键特性可归纳如下：
    （1）对XML和HTML，都提供推模式（前进式的）或拉模式（阻塞式的）的解析接口。
    （2）使用一个要解析的文档实例或附带一个任意的DTD，可以在解析时做DTD验证。
    （3）包含完整的XPath, XPointer和XInclude实现。
    （4）用纯C编写，尽可能少的依赖，遵循ANSI C/POSIX标准以便容易嵌入到其他程序中。可以工作在Linux/Unix/Windows上，还移植到其他的很多平台。
    （5）基本的HTTP和FTP客户端支持，从而允许应用程序获取远程资源。
    （6）设计是模块化的，许多扩展可以独立编译。
    （7）内部文档表示尽可能靠近DOM接口规范。
    （8）也提供SAX风格的接口，它被设计成与Expat兼容（http://sourceforge.net/projects/expat，另外一个XML解析库）。
    （9）本库在MIT许可证下发布。
    2、数据类型
    Libxml2定义了一些经常要用到的数据类型，以隐藏一些繁杂的底层处理。
    （1）字符类型xmlChar
    这是Libxml2中的字符类型，库中所有字符、字符串都是基于这个数据类型。事实上它的定义在xmlstring.h中。
typedef unsigned char xmlChar;
    它表示UTF-8编码的字符串的一个字节。如果你的数据使用其他的编码，则需要使用libxml中的函数转换成UTF-8编码。如同标准C中的char类型一样，xmlChar也有相关的动态内存分配、字符串操作等函数。例如xmlMalloc是动态分配内存的函数；xmlFree是配套的释放内存函数；xmlStrcmp是字符串比较函数等等。基本上xmlChar字符串相关函数都在xmlstring.h中定义；而动态内存分配函数在xmlmemory.h中定义。
    外要注意，因为总是要在xmlChar*和char*之间进行类型转换，所以定义了一个宏BAD_CAST，其定义如下（xmlstring.h）：
#define BAD_CAST (xmlChar *)
    原则上来说，unsigned char和char之间进行强制类型转换是没有问题的。
    （2）文档类型xmlDoc、指针xmlDocPtr
    定义在tree.h中。xmlDoc是一个struct，保存了一个xml文档的相关信息，例如文件名、文档类型、节点树等等；xmlDocPtr等于xmlDoc*，它搞成这个样子总让人以为是智能指针，其实不是，要手动删除的。
    xmlNewDoc函数创建一个新的文档指针。xmlParseFile函数以默认方式读入一个UTF-8格式的文档，并返回文档指针。xmlReadFile函数读入一个带有某种编码的xml文档，并返回文档指针；细节见libxml2参考手册。
    xmlFreeDoc释放文档指针。特别注意，当你调用xmlFreeDoc时，该文档所有包含的节点内存都被释放，所以一般来说不需要手动调用xmlFreeNode或者xmlFreeNodeList来释放动态分配的节点内存，除非你把该节点从文档中移除了。一般来说，一个文档中所有节点都应该动态分配，然后加入文档，最后调用xmlFreeDoc一次释放所有节点申请的动态内存，这也是为什么我们很少看见xmlNodeFree的原因。
    xmlSaveFile将文档以默认方式存入一个文件。xmlSaveFormatFileEnc可将文档以某种编码/格式存入一个文件中。
    （3）节点类型xmlNode、指针xmlNodePtr

    定义在tree.h中。节点应该是xml中最重要的元素了，xmlNode代表了xml文档中的一个节点，实现为一个struct，内容很丰富。

[cpp] view plaincopy

1. /** 
2.  * xmlNode: 
3.  * 
4.  * A node in an XML tree. 
5.  */  
6. typedef struct _xmlNode xmlNode;  
7. typedef xmlNode *xmlNodePtr;  
8. struct _xmlNode {  
9.     void           *_private;   /* application data */  
10.     xmlElementType   type;  /* type number, must be second ! */  
11.     const xmlChar   *name;      /* the name of the node, or the entity */  
12.     struct _xmlNode *children;  /* parent->childs link */  
13.     struct _xmlNode *last;  /* last child link */  
14.     struct _xmlNode *parent;    /* child->parent link */  
15.     struct _xmlNode *next;  /* next sibling link  */  
16.     struct _xmlNode *prev;  /* previous sibling link  */  
17.     struct _xmlDoc  *doc;   /* the containing document */  
18.   
19.     /* End of common part */  
20.     xmlNs           *ns;        /* pointer to the associated namespace */  
21.     xmlChar         *content;   /* the content */  
22.     struct _xmlAttr *properties;/* properties list */  
23.     xmlNs           *nsDef;     /* namespace definitions on this node */  
24.     void            *psvi;  /* for type/PSVI informations */  
25.     unsigned short   line;  /* line number */  
26.     unsigned short   extra; /* extra data for XPath/XSLT */  
27. };  

    可以看到，节点之间是以链表和树两种方式同时组织起来的，next和prev指针可以组成链表，而parent和children可以组织为树。同时还有以下重要元素：节点中的文字内容content；节点所属文档doc；节点名字name；节点的名称空间ns；节点属性列表properties等。
    Xml文档的操作的根本原理就是在节点之间移动、查询节点的各项信息，并进行增加、删除、修改的操作。xmlNodePtr指针用来遍历文档树。
    xmlDocSetRootElement函数可以将一个节点设置为某个文档的根节点，这是将文档与节点连接起来的重要手段，当有了根结点以后，所有子节点就可以依次连接上根节点，从而组织成为一个xml树。
    （3）节点集合类型xmlNodeSet、指针xmlNodeSetPtr
    节点集合代表一个由节点集组成的变量，节点集合只作为Xpath的查询结果而出现，因此被定义在xpath.h中，其定义如下：

[cpp] view plaincopy

1. /* 
2.  * A node-set (an unordered collection of nodes without duplicates). 
3.  */  
4. typedef struct _xmlNodeSet xmlNodeSet;  
5. typedef xmlNodeSet *xmlNodeSetPtr;  
6. struct _xmlNodeSet {  
7.     int nodeNr;         /* number of nodes in the set */  
8.     int nodeMax;        /* size of the array as allocated */  
9.     xmlNodePtr *nodeTab;    /* array of nodes in no particular order */  
10.     /* @@ with_ns to check wether namespace nodes should be looked at @@ */  
11. };  

    可以看出，节点集合有三个成员，分别是节点集合的节点数、最大可容纳的节点数，以及节点数组头指针。对节点集合中各个节点的访问方式很简单，如下：

[cpp] view plaincopy

1. xmlNodeSetPtr nodeset = XPATH查询结果;  
2. for (int i = 0; i < nodeset->nodeNr; i++)  
3. {  
4.     nodeset->nodeTab[i];  
5. }  

     注意，libxml2是一个C函数库，因此其函数和数据类型都使用C语言的方式来处理。如果是C++，用STL中的vector来表示一个节点集合会更好，而且没有内存泄漏或者溢出的担忧。