Embed Size (px)
Citation preview
IDUL 2010
XML
MOTIVI DELLA CODIFICA AD ALTO LIVELLO
In un testo i dati linguistici sono correlati secondo piani di organizzazione multipli struttura del testo
l’ articolazione in sezioni, capitoli, titoli, ecc. struttura del contesto
l’autore, la data di produzione, la finalità del testo, ecc. struttura linguistica (implicita nel testo!!)
Lingua del testo, differenza testo/citazione … informazioni morfologiche, sintattiche, semantiche Strutture retoriche, argomentative, …
La codifica esplicita di informazione su un testo viene detta annotazione (o “markup”) del testo.
COME CODIFICARE?
Quali passi seguire per effettuare una annotazione? Individuare il livello di informazione da
codificare
(p.es. strutturale, linguistica, ecc.) Definire il repertorio dei tratti giudicati rilevanti
per la codifica Scegliere un formato per associare la
annotazione al testo
SCELTA DELLE INFORMAZIONI DA ANNOTARE: ESEMPIO
Codifica morfo-sintattica oggetto: codificare esplicitamente la categoria grammaticale e le proprietà morfologiche delle parole di un testo.
Da definire: quali attributi codificare (cat. grammaticale, persona, genere,
numero, caso, ecc.) quali attributi sono compatibili (p.es. non ha senso marcare “Caso”
su un elemento marcato “avverbio”) quali valori possono avere i diversi attributi (numero = SING,
PLUR; caso = NOM, GEN, ecc.) Cosa fare con elementi ambigui (per es. come codificare “che” in
“Che roba!”, “dico che piove”?) e come specificare eventuali valori disgiuntivi (“X è CONG oppure PRON”)
Quali criteri di applicazione al testo delle categorie selezionate: attribuire la codifica a tutto il testo, o a una parte? Fino a che livello di dettaglio?
Esempio: categorie morfologiche per l’italiano (Rank Xerox Research Centre)
TAG | DESCRIPTION | EXAMPLE---------------- +--------------------------------------- +---------------------NSG | singular noun | casa, balsamoNPL | plural noun | case, ventottesimiPROP | proper name | Bernardo, Monte Isola---------------- +--------------------------------------- +---------------------ADJSG | singular adjective | buono, narcisisticoADJPL | plural adjective | belle, trecentocinquesimi---------------- +--------------------------------------- +---------------------VAUXINF | infinitive auxiliary "essere"/"avere" | esser, essere, aver, avereVAUXF | finite auxiliary "essere" or "avere" | è, sarò, saranno, avreteVAUXGER | gerund auxiliary "essere" or "avere" | essendo, avendoVAUXGER_CLIT | gerund auxiliary + clitic | essendogliVAUXIMP | imperative auxiliary | sii, sia, abbi, abbiamoVAUXIMP_CLIT | imperative auxiliary + clitic | siategliene, abbiatemiVAUXPPSG | singular past participle auxiliary | stato/a, avuto/aVAUXPPPL | plural past participle auxiliary | stati/e, avuti/eVAUXPPSG_CLIT | sg. past part. auxiliary + clitic | statone, avutavelaVAUXPPPL_CLIT | pl. past part. auxiliary + clitic | statine, avutitiVAUXPRPARTSG | singular present participle auxiliary | essente, aventeVAUXPRPARTPL | plural present participle auxiliary | essenti, aventi---------------- +--------------------------------------- +---------------------VINF | verb infinitive | sciupare, trascinarVINF_CLIT | verb infinitive + clitic | spulciarsi, risucchiarsiVF | finite verb form | blatereremo, rantoloVF_CLIT | finite verb + clitic | trattansi, leggevansi… | … | …
REQUISITI PER LA CODIFICA
Dovendo associare altre informazioni al testo, alcuni requisiti generali:
1. Mantenere una chiara divisione tra il testo e la annotazione relativa (informazione vs. metainformazione); Esempio negativo:“Come Cong. andò V_intr che Cong. Maestro N … “
2. Permettere di scorporare testo e annotazione;3. Avere annotazioni ragionevolmente autoesplicative;4. Non consumare troppo spazio;5. Permettere all’utente facili aggiunte/modifiche6. Permettere l’uso del testo annotato su una varietà di sistemi
informatici (tramite “formati aperti”)7. Limitare la obsolescenza (del formato dati e del supporto di
registrazione)
ASSOCIARE TESTO E CODIFICAi linguaggi di marcatura
Codifica di alto livello con linguaggi di markup (linguaggi di marcatura) un testo codificato con un linguaggio di marcatura è in formato
“solo testo” (tutti caratteri stampabili) buona interoperabilità Scarsa obsolescenza (specie se associato ad uno standard e non
semplicemente ad un software) l’informazione strutturale è rappresentata attraverso l’aggiunta al
testo di etichette (o tag) di marcatura, chiaramente identificabili Buona distinzione testo/metatesto Non un buon modo per risparmiare spazio
(ma esiste sempre la possibilità di comprimere il file; non un problema di conservazione con gli hardware attuali; problema, in caso, di trasmissione via rete)
INSERIMENTO DELLA MARCATURA
Programmi per caricare, scrivere o modificare testi in formato ASCII (Latin-1 / UNICODE)
Funzioni di stampa ridotte all’osso (niente formattazione del carattere, paragrafo, …)
Funzioni anche molto sofisticate di manipolazione del testo (ricerca/sostituzione avanzata, macro, …)
Sensibili alla sintassi di vari tipi di file di testo (linguaggi di programmazione, HTML, …)
Editor di testo
EDITOR DI TESTO
Programmi per caricare, scrivere o modificare testi in formato ASCII (Latin-1 / UNICODE)
Funzioni di stampa ridotte all’osso (niente formattazione del carattere, paragrafo, …)
Funzioni anche molto sofisticate di manipolazione del testo (ricerca/sostituzione avanzata, macro, …)
Sensibili alla sintassi di vari tipi di file di testo (linguaggi di programmazione, HTML, …)
Editor di testo
EDITOR DI TESTO “MINIMO”
“Blocco note” (ingl. “Notepad”) di Windows.
Editor minimalista, distribuito con Windows. Legge di base file con suffisso .txt
Nessuna funzione sofisticata Nessuna sensibilità al tipo di file Conosce UNICODE Problemi nel trattamento di file non-windows
EDITOR: Scite Vedi http://www.scintilla.org/SciTE.html
Emacs Probabilmente il più potente editor esistente. Può essere esteso dagli utenti per usi vari; modulare Sofisticata serie di comandi sul testo (macro,
espressioni regolari, …) Gratuito, con codice a disposizione (“open source”) Due versioni: GNU Emacs (1976 Richard Stallman)
e Xemacs Disponibile per UNIX, Windows, Mac, … Interfaccia prevalentemente non grafica; ben
documentata ma difficile da imparare
EDITOR: EMACS Vedi http://www.gnu.org/software/emacs/
DUE TIPI DI MARCATURA DEL TESTO
Marcatura procedurale (detta anche marcatura tipografica) che consiste in una serie di istruzioni operative che forniscono le specifiche di formattazione e impaginazione del testo per la visualizzazione e la stampa
Marcatura dichiarativa (detta anche marcatura logica o descrittiva) dove i codici di marcatura indicano la funzione assolta dal blocco di testo a cui si riferiscono, ad esempio titolo, paragrafo, nota, citazione ecc. senza fornire indicazione di come tali elementi del testo dovranno apparire fisicamente sulla pagina o sul video (es. SGML, XML)
Marcatura dichiarativa: vantaggi
facilità nella creazione: l’autore si concentra sul ruolo organizzativo delle singole parti di testo, piuttosto che sul loro aspetto stampato
indipendenza dalla formattazione: riformattare un documento secondo nuove regole richiede semplicemente di ricodificare dei parametri esterni, non di modificare in alcuna maniera il testo codificato
flessibilità: riusare un testo codificato in un nuovo contesto è facile, perché non è necessario rimuovere la vecchia informazione per far posto alla nuova
visioni di documenti dinamicamente riconfigurabili: è possibile selezionare viste diverse dello stesso documento
L’XML (eXtensible Markup Language)
è un linguaggio di markup sviluppato dallo XML Working Group del W3C a partire dal 1996
XML è uno dei più importanti sviluppi nella storia della computazione. Negli ultimi anni è stato adottato in campi molto diversi tra loro: legge, aeronautica, finanza, sicurezza, robotica, turismo, arte, design del software, fisica, letteratura, …
XML è nato dallo sforzo di dare forza e struttura all’SGML (“Standard Generalized Markup Language”, ISO standard: ISO 8879:1986) nel web, in una forma che fosse però abbastanza semplice per gli utenti non esperti.
XML XML nasce dalla lunga storia dei sistemi di elaborazione di testi allo scopo di
permettere l’elaborazione delle informazioni piuttosto che la loro visualizzazione
in un documento XML, quindi, non e’ necessario fare alcun riferimento al modo in cui le informazioni verranno visualizzate: le regole per la visualizzazione saranno inserite in un foglio esterno chiamato foglio di stile (ingl. “Stylesheet”)
XML permette all’utente di definire il proprio insieme di tag (elementi) e in questo senso può essere considerato un meta-markup language: i tag definiti dall’utente possono avere dei nomi che rispecchiano il contenuto del documento stesso
Le specifiche complete dell’ XML 1.0 sono sul web (in italiano a http://www.xml.it:23456/XML/REC-xml-19980210-it.html)
Struttura logica generale dei tag XML (HTML/SGML)
<marcatore>testo a cui si riferisce</marcatore> <marcatore attributo=“valore”>testo a cui si
riferisce</marcatore> <marcatore_aperto_e_chiuso/>
Oltre al termine “marcatore” si usa “etichetta” o l’inglese “tag”; il termine tecnico è “elemento”
A differenza che in SGML ed in HTML, in XML ogni marcatore aperto deve essere chiuso (XML è più restrittivo di SGML)
Markup XML per codifica strutturale
<libro><titolo>Le avventure di Pinocchio<sottotitolo>Storia di un burattino</sottotitolo></titolo><autore>Carlo Collodi</autore><parte p_id=”1”><titolo>Parte prima</titolo><capitolo c_id=”I”><titolo> Come andò che maestro Ciliegia, falegname, trovò un pezzo di legno, che piangeva e rideva come un bambino.</titolo><capoverso num=”p1c1c1”>C'era una volta...</capoverso><capoverso num=”p1c1c2”>- Un re! - diranno subito i miei piccoli lettori.</capoverso><capoverso num=”p1c1c3”>No, ragazzi, avete sbagliato. C'era una volta un pezzo di legno.</capoverso><capoverso num=”p1c1c4”>Non era un legno di lusso, ma un semplice pezzo da catasta, di quelli che d'inverno si mettono nelle stufe e nei caminetti per accendere il fuoco e per riscaldare le stanze.</capoverso> </capitolo></parte></libro>
Markup doppio
<libro>…<parte><capitolo c_id=”I”><titolo>Come <parola cat=“V” tempo=“passRem”>andò</parola> che <parola cat=“N” genere=“m” num=“s”>maestro</parola> Ciliegia, falegname, trovò <sintagma tipo=”nominale”><parola cat=“artInd” genere=m” num=“s”>un</parola> pezzo di legno</sintagma>, che piangeva e rideva come un bambino.</titolo>…</capitolo></parte></libro>
markup per la codifica di informazione strutturale +
markup (parziale) per la codifica di informazione linguistica
Problema: Markup incrociato
Con la presenza di markup multiplo si pone il problema delle etichette incrociate
<pagina pag_n=“1”>…Non era un legno di lusso, ma un semplice pezzo da catasta, di quelli <frase-rel>che d'inverno si mettono nelle stufe</pagina><pagina pag_n=“2> e nei caminetti per accendere il fuoco e per riscaldare le stanze.</frase-rel>
<grassetto>AAA<corsivo>BBB</grassetto>CCC…</corsivo>
La sintassi dell’ XML non permette questi incroci!!!(e neanche quella dell’ HTML, anche se i browser sono a questo proposito molto accomodanti)
XML non è un sostituto del HTML: XML e HTML sono stati pensati per scopi diversi. XML è pensato per descrivere dati e porre l'attenzione su cosa
sono (marcatura dichiarativa) HTML è pensato per visualizzare dati e porre l'attenzione su
come presentarli (marcatura mista procedurale/dichiarativa)Tuttavia, è possibile tradurre tutto l’HTML in XML: il risultato si
chiama XHTML HTML + Browser: sistema di visualizzazione di dati; XML + Processore XML + Applicazione = formato dati generale
Principali differenze fra HTML e XML
SGML
XMLXHTMLHTML
Le parti di un progetto XML
Un documento in XML è in realtà la combinazione di tre parti. Ci riferiamo ad esse come tre documenti separati; spesso, ma non necessariamente, sono anche file separati in maniera fisica.
1. Un documento dei contenuti cioé la parte che l’autore vuole esporre a chi la visualizza o utilizza;
2. Un documento DTD (Document Type Definition) che specifica i macatori usati e la loro sintassi;
3. Uno stylesheet (foglio di stile) che stabilisce come verrà visualizzato e presentato il contenuto.
La DTD è opzionale e spesso viene caricata direttamente dal web tramite una chiamata all’interno del documento dei contenuti (meccanismo dei “Namespace”)
Il foglio di stile è opzionale, e superfluo se il contenuto non deve essere visualizzato in modo particolare.
XML Un documento XML è costituito da
composizioni di stringhe, ovvero sequenze di caratteri
UNICODE.
Caratteristica di XML è quella di essere CASE
SENSITIVE, ovvero di fare differenza tra lettere maiuscole
e minuscole.
Pertanto il tag "Pino" è diverso dai tag "pino", "pIno",
"PINO", ecc.
Parti di un documento XML
Un documento XML si compone di due parti principali:
il "PROLOG“ contiene: dichiarazione della versione di XML; commenti (facoltativi); dichiarazione del DOCUMENT TYPE.
il "DOCUMENT INSTANCE“ contiene i dati veri e propri.
Esempio di Prolog un documento XML dovrebbe iniziare con
<?xml version="1.0" encoding="…" standalone="yes" ?>
se non si specifica il valore dell’attributo encoding la codifica è quella UNICODE
standalone può assumere valori "yes" o "no" (il cui significato sarà chiaro in seguito)
<?xml version="1.0"?> <!-- Documento di prova --> <!DOCTYPE MEMO SYSTEM "memo.dtd">
nome del documento file con la descrizione della struttura
Esempio di Document Instance Un documento XML è un documento di testo ed è formato da tag
che una volta aperti devono SEMPRE essere chiusi
<memo> <da> <nome>Ugo</nome> <email>[email protected]</email></da><a> <nome>Pina</nome> <email>[email protected]</email> </a><oggetto>San Valentino</oggetto> <testo><paragrafo>Pina.... ti amo moltissimo!
Tuo Ugo.</paragrafo> </testo>
</memo>
<?xml version="1.0" standalone="no" ?><memo>
<from><name>Rossi</name><email>[email protected]</email>
</from><to>
<name>Verdi</name><email>[email protected]</email>
</to><oggetto>Esempio in XML</oggetto><body>
<paragrafo>bla bla</paragrafo><paragrafo>bla bla</paragrafo>
</body></memo>
N.B. L’uso del rientro variabile (“indentation”) non è parte dellasintassi XML, ma un modo per aiutare gli esseri umani nella identificazione della struttura. Idem per l’uso dei colori, di grassetto, font, ecc.
Un documento XML definisce una struttura ad albero che si ottiene
esaminando le relazioni di annidamento che esistono tra i tag Deve esistere un solo tag che non sia all’interno di nessun altro. Questo tag
definisce la radice dell’albero (“root”) (nellì’esempio, “memo”).
XML - struttura ad albero
memo from
to
body
oggetto
name
name
paragrafo
paragrafo
Rossi
Verdi
esempio in XML
bla bla
bla bla
ROOT (“RADICE”) E COMPONENTI
Ogni documento XML ben formato (“well-formed”) ha un solo elemento radice/root
Gli elementi non ROOT sono chiamati COMPONENTI del documento.
INGREDIENTI PRINCIPALI DI UN DOCUMENTO XML
Elementi:identificano porzioni di testo o punti nel testo; possono contenere testo puro e/o altre etichette (cf. le cartelle di windows)
Entitàabbreviazioni per caratteri o espressioni varie;
Commentiignorati dal processore, utili per l’autore
Attributi (e loro valori)definiti come proprietà degli elementi, ciascuno con un insieme di possibili valori;
ENTITÀ PREDEFINITE Servono per far sì che i caratteri normalmente interpretati come
MARKUP possano essere utilizzati come caratteri di testo (ad esempio per scrivere un manuale HTML).
Sono i seguenti: & = & < = < > = > ' = ' " = "
In generale le “entità” (sia predefinite che definite dall’utente hanno la forma &nome; )
COMMENTi All’interno di un documento XML posso aggiungere commenti,
definiti come: “<!--” + Contenuto del commento + “-->”
Esempio: <!-- dichiarazione per <head> & <body> -->
I commenti sono “invisibili” al processore XML e servono solo per utenti umani.
Eventuali tag all’interno non vengono processati Non possono essere inserite doppie linette “--” in un commento, se
non alla fine, per chiuderlo.
i tag XML possono avere uno o più attributi un attributo è una coppia nome="valori”, che viene associata al
tag (prima di chiuderlo con “>”)
<persona altezza="170cm" peso="60kg">Mario Rossi
</persona>
il valore di un attributo va tra virgolette semplici (‘) o doppie (“)(attenzione alla sostituzione automatica di “ con ”!)
XML - ATTRIBUTI
XML – da non dimenticare…
Virgolette necessarie nell’inserimento di attributi (“…” o ‘…’ ma mai misti: “…’ o ‘…”)
Bilanciamento dei tags (se si apre il tag <img> deve essere anche chiuso da </img>; oppure si utilizzano tag vuoti (<hr></hr>, possibilmente compattati: <hr/>) Tag incassati - uso corretto:<h1> <a href=“percorso”> ecco il link </a> </h1> Tag incassati – uso non corretto (tag incrociati)<h1> <a href=“percorso”> ecco il link </h1> </a>
Caratteri speciali devono comparire sempre con la loro sequenza vista in html:
à si scrive con à> con > etc…
XML è case sensitive: <img> è diverso da <IMG>!!!
Esempio (negozi.xml)<?xml version="1.0" standalone="no" ?><negozi>
<citta nome="Trento"/><negozio apertura="8.30-12.30/15.00-19.00" domenica="no">
<nome> Supermercati Poli </nome><indirizzo tipo="completo">
<via> S.Pio X </via><numero> 2 </numero><zona> …… </zona>
</indirizzo><genere> Alimentare</genere>
</negozio><negozio apertura="8.00-12.00/15.00-19.00" domenica="si">
<nome> Ubiq </nome><indirizzo tipo="ridotto">
<via> Corso 3 Novembre </via><numero> 10 </numero>
</indirizzo><genere> Libreria </genere><descrizione> …… </descrizione>
</negozio></negozi>
Esempio 4: info come testo o come attributo?
<?xml version="1.0" standalone="no" ?><negozi>
<negozio domenica="si"><nome> Ubiq </nome><indirizzo tipo="ridotto">
<via> Corso 3 Novembre </via><numero> 10 </numero>
</indirizzo><apertura domenica=“si”>8.00-12.00/15.00-19.00</apertura> <genere> Libreria </genere><descrizione> …… </descrizione>
</negozio></negozi>
Un caso di informazione doppia:
<parola cat=“num” val=“44”>quarantaquattro</parola><parola cat=“N”>gatti</parola>
La DTD L'XML non è limitato a un insieme fisso di tipi di
elementi, ma permette di definire e utilizzare elementi e attributi personalizzati;
per far questo viene fornita una sintassi con cui è possibile specificare gli elementi e gli attributi che possono essere utilizzati all'interno dei documenti.
In altre parole è possibile creare un modello, chiamato
Document Type Definition (DTD), che descrive la struttura e il contenuto di una classe di documenti.
DTD: Esempio antologia <antologia> <poesia><titolo>The SICK ROSE</titolo> <strofa> <verso>O Rose thou art sick.</verso> <verso>The invisible worm,</verso> <verso>That flies in the night</verso> <verso>In the howling storm:</verso> </strofa> <strofa> <verso>Has found out thy bed</verso> <verso>Of crimson joy:</verso> <verso>And his dark secret love</verso> <verso>Does thy life destroy.</verso> </strofa> </poesia> <!-- continua con altre poesie --></antologia>
Alcune caratteristiche per la definizione di “antologia di poesie”
1. Una antologia contiene un certo numero di poesie e nient'altro.
2. Una poesia contiene a volte un singolo elemento di titolo che precede la prima strofa, e non contiene mai nessun altro elemento.
3. A parte il titolo, una poesia consiste solo di strofe.
4. Una strofa consiste solo di versi ed ogni verso è contenuto in una strofa.
5. Una strofa non può essere seguita da nulla tranne che da un'altra strofa, oppure dalla fine della poesia.
6. Un verso non può essere seguito da nulla se non da un altro verso, oppure dall'inizio di una nuova strofa.
Esempio DTD: Antologia
<!ELEMENT antologia (poesia+)>
<!ELEMENT poesia (titolo?, strofa+)>
<!ELEMENT titolo (#CDATA) >
<!ELEMENT strofa (verso+) >
<!ELEMENT verso (#CDATA) >
XML – documenti “well formed”
un documento XML è ben formato se e solo se:
tutti i suoi tag sono chiusi, nell’ordine corretto
esiste un solo elemento radice
i valori degli attributi sono scritti tra virgolette
gli elementi non hanno due attributi con lo stesso nome
i nomi degli elementi e degli attributi non contengono i caratteri < > &
NB: i parser XML sono in grado di trattare solo i documenti XML ben formati
la DTD
L'XML ha una propria DTD (attualmente descritto nella specifica REC-xml-19980210) in cui vengono elencate le regole della specifica stessa del linguaggio.
Con l'XML è anche introdotta una classe di documenti che fa riferimento alla sola DTD dell'XML; la creazione di una DTD personale non è quindi indispensabile.
DTD type valid
I documenti con le specifiche della DTD XML possono essere trovati agli indirizzi:
http://www.w3c.org/XML/ La seguente URL contiene un controllore di
validitàhttp://www.stg.brown.edu/service/xmlvalid/
Se un documento è conforme alle specifiche di una DTD personale, allora si dice che è TYPE VALID ("valido").
Esempio di una DTD
Per esempio, dato la seguente DTD personale:
<!DOCTYPE persona [ <!ELEMENT persona (nome,cognome)>
<!ELEMENT nome (#PCDATA)> <!ELEMENT cognome (#PCDATA)>
]>
Documento type valid
il seguente documento risulta TYPE VALID:
<persona> <nome> Luigi </nome> <cognome> Rossi </cognome>
</persona>
Esempio 2Consideriamo la seguente DTD, che definisce la
struttura di un documento che contiene un indirizzo postale:
<!DOCTYPE indirizzo [<!ELEMENT indirizzo (nome, via, citta, stato, CAP)><!ELEMENT nome (#PCDATA)><!ELEMENT via (#PCDATA)><!ELEMENT citta (#PCDATA)><!ELEMENT stato (#PCDATA)><!ELEMENT CAP (#PCDATA)>
]>
Osservazioni
Osservazioni: il nome del document type ("indirizzo") è puramente
arbitrario, avremmo potuto scrivere anche “address" o altro...;
il root element deve avere (obbligatoriamente) lo stesso nome del document type (nell' esempio, "indirizzo");
OsservazioniUna volta definito la DTD, un documento TYPE
VALID di tipo "indirizzo“ avrà la seguente forma:
<indirizzo> <nome> Giuseppe </nome> <via> Garibaldi </via> <città> Pinerolo (TO) </città> <stato> Italia </stato> <CAP> 12345 </CAP>
</indirizzo>
Dove si trova la DTD?
la DTD di un file XML può trovarsi:
DENTRO il file stesso (internal set): questo sistema comporta uno svantaggio in termini di condivisione in quanto la DTD non può essere usata per altri documenti XML simili;
FUORI dal file (external set): qui, invece, la DTD è condivisibile e riutilizzabile.
External set In caso di external set la DTD di riferimento
viene caricata tramite il sistema operativo (SYSTEM)
<!DOCTYPE label SYSTEM "/URL/della/risorsa">.
La URL della risorsa può: essere un percorso sul file system locale.
Esempio: <!DOCTYPE label SYSTEM "C:\mydocuments\xml\dtd\label.dtd">
oppure essere un indirizzo esterno: <!DOCTYPE label SYSTEM "http://www.lt-2002.com/indirizzo.dtd">
Chiaramente la seconda soluzione offre maggiore accessibilità.
Tipi di content specification Abbiamo già visto un esempio di "content
specification" quando abbiamo elencato gli elementi di "indirizzo": "nome", "via", "citta", "stato", "CAP“:
<!ELEMENT nome (#PCDATA)>
#PCDATA (“Parsed characted data”) indica un contenuto “misto” (testo e/o marcatori). Il processore XML analizzarà i marcatori, ma la DTD non ne specifica la struttura.
Una specifica #CDATA, al contrario, indica al processore XML che non deve analizzare il contenuto, ma è tuttavia formato da caratteri
Una specifica #NDATA indica invece che il contenuto di un tag potrebbe essere anche un file binario arbitrario (p.es. una immagine)
Altri tipi di content specification
TIPO CONTENUTO PERMESSO
EMPTY (vuoto) nessuno
ANY qualsiasi
MIXED Dati o sotto-elementi
ELEMENT SOLO sotto elementi
Esempio
TIPO COME SI DICHIARA
EMPTY (vuoto) <!ELEMENT VUOTO1 EMPTY>
ANY (qualunque cosa)
<!ELEMENT QUI-QUO-QUA ANY>
MIXED <!ELEMENT nome (RILIEVO)> <!ELEMENT RILIEVO (#PCDATA)>
MIXED <!ELEMENT comm (#PCDATA | NOME)>
ELEMENT <!ELEMENT label (nome,via,città,)>
Elementi alternativi
E` possibile specificare che un certo elemento può essere composto da uno di due elementi in alternativa:<!ELEMENT FIGURA (DIDASCALIA, (IMMAGINE|CODICE))>
Questo esempio definisce l' elemento "figura" (per esempio di un libro) dicendo che una figura ha SEMPRE una didascalia più un'immagine o un pezzo di codice a scelta.
Il numero degli elementi Per indicare opzionalità o ripetizioni si usano i
modificatori già incontrati nelle espressioni regolari: ?
? = l' elemento che precede sarà presente da 0 a 1 volta
* = l' elemento che precede sarà presente 0 o più volte
+ = l' elemento che precede sarà presente 1 o più volte
Esempio: <!ELEMENT CAPITOLO (titolo, sottotitolo?, paragrafo+)> <!ELEMENT PARAGRAFO (#PCDATA | note)*> <!ELEMENT note (#PCDATA)>
L' elemento “sottotitolo“, se c’è, è unico. L' elemento "paragrafo" deve essere presente per lo meno UNA volta. L' elemento "note" può essere ripetuto infinite volte oppure essere totalmente assente.
DTD: Esempio antologia <antologia> <poesia><titolo>The SICK ROSE</titolo> <strofa> <verso>O Rose thou art sick.</verso> <verso>The invisible worm,</verso> <verso>That flies in the night</verso> <verso>In the howling storm:</verso> </strofa> <strofa> <verso>Has found out thy bed</verso> <verso>Of crimson joy:</verso> <verso>And his dark secret love</verso> <verso>Does thy life destroy.</verso> </strofa> </poesia> <!-- continua con altre poesie --></antologia>
Alcune caratteristiche per la definizione di “antologia di poesie”
1. Una antologia contiene un certo numero di poesie e nient'altro.
2. Una poesia contiene a volte un singolo elemento di titolo che precede la prima strofa, e non contiene mai nessun altro elemento.
3. A parte il titolo, una poesia consiste solo di strofe.
4. Una strofa consiste solo di versi ed ogni verso è contenuto in una strofa.
5. Una strofa non può essere seguita da nulla tranne che da un'altra strofa, oppure dalla fine della poesia.
6. Un verso non può essere seguito da nulla se non da un altro verso, oppure dall'inizio di una nuova strofa.
Esempio Antologia
<!ELEMENT antologia (poesia+)>
<!ELEMENT poesia (titolo?, strofa+)>
<!ELEMENT titolo (#CDATA) >
<!ELEMENT strofa (verso+) >
<!ELEMENT verso (#CDATA) >
Con questi elementi possiamo dichiarare una poesia come composta da una o più strofe, versi liberi o quartine, definite ad esempio come: <!ELEMENT quartina (verso-1, verso-2, verso-3, verso-4)> <!ELEMENT poesia (titolo?, (strofa+ | quartina+ | verso+))>
Notare la differenza tra: <!ELEMENT poesia (titolo?, (strofa+ | distico+ | verso+) ) > <!ELEMENT poesia (titolo?, (strofa | distico | verso)+ ) >
Altro esempio: ritornello <!ELEMENT ritornello (verso+)> <!ELEMENT poesia (titolo?, ( verso+ | (ritornello?,
(strofa, ritornello?)+ ))) >
Attributi
Come definire attributi in una DTD:
<!ELEMENT poesia (titolo?, strofa+)><!ATTLIST poesia
iden ID #IMPLIEDstatus (bozza | rivisto | pubblicato) "bozza" >
L’attributo ident di “poesia” è di tipo ID e può mancare (essere implicito)
L’attribito status di “poesia” ha 3 valori possibili: “bozza”, “rivisto” e “pubblicato”; se non è presente in valore da assumere è “bozza”
Attributi: esempi di valori possibili
CDATA: (character data) Il valore dell’attributo può contenere qualsiasi carattere valido, inclusi spazi e punteggiatura;
PCDATA: (Parsed character data) Il valore dell’attributo può contenere qualsiasi carattere valido, inclusi spazi e punteggiatura; eventuali etichette comprese nel valore, possono essere riconosciute come tali dal parser XML;
NMTOKEN: (named token) Il valore dell’attributo può contenere solo i caratteri che sono validi all’interno di un nome o di un identificatore generico;
NMTOKENS: (named tokens) Il valore dell’attributo può contenere uno o più valori NMTOKEN separati da uno o più spazi bianchi;
ID: (identifier ) Il valore dell’attributo deve essere una singola parola iniziante con un carattere alfabetico, che possa essere usata come identificatore univoco (un dato valore può essere usato una volta sola come valore di qualsiasi attributo ID);
IDREF: (identifier reference) Il valore dell’attributo deve contenere una singola parola che è stata usata altrove come identificatore univoco di qualche elemento;
;...
Obbligatorietà dei valori1. #REQUIRED: un valore deve essere specificato.2. #IMPLIED: non deve essere specificato nessun
particolare valore.3. "valore di default“
Esempi:
<!ATTLIST poesia iden ID #IMPLIEDstatus (bozza | rivisto | pubblicato) #REQUIREDlingua CDATA “italiano”>
Identificatori e riferimento
<!ATTLIST poesia iden ID #IMPLIED >
Attributo utile solo per elementi a cui pensiamo di dover poi far riferimento
Esempio:<poesia iden=’ROSE’><!-- Text of poem with identifier ’ROSE’ --></poesia><poesia iden=’P40’><!-- Text of poem with identifier ’P40’ --></poesia><poesia><!-- This poem has no identifier --></poesia>
Per far riferimento serve un elemento composto solo da un attributo di tipo IDREF:
<!ELEMENT poesiaRef EMPTY ><!ATTLIST poesiaRef
target IDREF #REQUIRED >
Blake’s poem on the sick rose<poesiaRef target=’ROSE’/>
Entità predefinite
Le entità predefinite possono spesso rappresentare singoli caratteri, tramite il loro numero di codice (esprimibile con la forma: “&#num;” dove num è un numero di ASCII/Latin-1/UNICODE…)
<!ENTITY lt "&#60;"> <!-- less than, < --><!ENTITY gt ">"> <!-- greater than, > --><!ENTITY amp "&"> <!-- ampersand, & --><!ENTITY apos "'"> <!-- apostrophe, ’ --><!ENTITY quot """> <!-- quote, " -->
Tre tipi di entità non predefiniteEntità interne
<!ENTITY tei "Text Encoding Initiative">&tei; Text Encoding Initiative
Entità esterne
<!ENTITY ChapTwo SYSTEM "p4chap2.xml"><!ENTITY ChapTwo SYSTEM"http://www.tei-c.org/P4X/p4chap2.xml">
Entità pubbliche
<!ENTITY p3.sgPUBLIC "-//TEI//TEXT Guidelines Chapter on XML//EN""p4chap2.xml">
Se una entità viene dichiarata più di una volta, solo il primo valore dichiarato è valido
<!ENTITY personaggio ‘‘pluto’’><!ENTITY personaggio ‘‘paperino’’>&personaggio; ==> pluto
NB: Ciò si discosta del normale comportamento delle variabili nei linguaggi di programmazione; normalmente l’ultima assegnazione è quella che vale)
Parametri
Un parametro è un insieme di attributi a cui viene dato un nome, in modo da poterlo usare con più elementi.
Per fare riferimento ad un parametro si usa la forma:
%nomeparametro;
Parametri: esempio
<!ENTITY % a.global
’iden ID #REQUIRED
Rend CDATA #IMPLIED’>
<!ATTLIST myElement
%a.global;
another CDATA #IMPLIED >
Con questo sistema i due attributi iden e rend vengono assegnati insieme a myElement.
Nome parametro
elenco attributi
Un esempio di documento completoUn documento marcato in XML
consiste di:
Una dichiarazione XML che indica proprietà generali del documento.
Una Document Type Declaration (o DOCTYPE), che assegna l' elemento root e la DTD (necessaria solo se si vuole che il documento XML possa essere dichiarato formalmente valido da un parser)
L' elemento root, che contiene il testo e le successive marcature.
<?xml version="1.0" encoding="iso-8859-1"?><!DOCTYPE antologia [<!ELEMENT antologia (poesia+)><!ELEMENT poesia (titolo?, strofa+)><!ELEMENT titolo (#PCDATA) ><!ELEMENT strofa (verso+) ><!ELEMENT verso (#PCDATA) >]><antologia><poesia><titolo>The SICK ROSE</titolo><strofa><verso>O Rose thou art sick.</verso><verso>The invisible worm,</verso><verso>That flies in the night</verso><verso>In the howling storm:</verso></strofa><strofa><verso>Has found out thy bed</verso><verso>Of crimson joy:</verso><verso>And his dark secret love</verso><verso>Does thy life destroy.</verso></strofa></poesia></antologia>
Namespace Il meccanismo dei “namespace” (spazi dei nomi) consente ad
un documento in XML di caricare ed usare più di una DTD, ciascuna con il suo set di marcatori.
I marcatori diventano disponibili all’interno del marcatore in cui la DTD è stata caricata con la la istruzione xmlns
Un opportuno sistema di prefissi distingue i marcatori di DTD diverse (risolvendo eventuali omonimie)
Esempio:
<verso xmlns:gram="http://www.gram.org/morfo.dtd">...<!-- in questa porzione di testo valgono tutte le etichette definite
in morfo.dtd --></verso><!-- qui fuori le etichette definite in morfo.dtd non valgono -->
Namespace con prefissi<verso xmlns:gram=“http://www.gram.org/morfo.dtd”
xmlns:form=“http://www.shake.org/sonnet.dtd”> <form:sonnet>
<gram:aux>Shall</gram:aux><gram:pron>I</gram:pron><gram:verb>compare</gram:verb><gram:pron>thee</gram:pron><gram:prep>to</gram:prep><gram:art>a</gram:art><gram:noun>summer</gram:noun>’s<gram:noun>day</gram:noun>?
… </form:sonnet></verso>
I marcatori che vengono caricati da un particolare namespace hanno significato solo all’interno di quel namespace.
<text xmlns="http://www.tei-c.org"><front>
<!– il prefisso gram non è disponibile qui --></front><body xmlns:gram="http://www.gram.org">
<!-- il prefisso gram qui è disponibile --></body></text>
Il significato dei prefissi dipende del namespace più interno in cui sono definiti (se ci sono più namespace con prefissi con lo stesso nome, il particolare prevale sul generale).
La URL data nella definizione del namespace non viene controllata in fase di validazione
