XML

Los puntos de código Unicode en los siguientes rangos son válidos en documentos XML 1.0: ^{[ 14 ]}

• U+0009 (tabulación horizontal), U+000A (salto de línea), U+000D (retorno de carro): estos son los únicos controles C0 aceptados en XML 1.0;
• U+0020–U+D7FF, U+E000–U+FFFD: esto excluye algunos caracteres que no están en el BMP (todos los sustitutos, U+FFFE y U+FFFF están prohibidos);
• U+10000–U+10FFFF: esto incluye todos los puntos de código en planos suplementarios, incluidos los que no son caracteres.

XML 1.1 amplía el conjunto de caracteres permitidos para incluir todos los anteriores, más los caracteres restantes en el rango U+0001–U+001F. ^{[ 15 ]} Sin embargo, al mismo tiempo, restringe el uso de caracteres de control C0 y C1 distintos de U+0009 (tabulación horizontal), U+000A (salto de línea), U+000D (retorno de carro) y U+0085 (siguiente línea) al requerir que se escriban en forma de escape (por ejemplo, U+0001 debe escribirse como o su equivalente). En el caso de los caracteres C1, esta restricción es una incompatibilidad con versiones anteriores; se introdujo para permitir la detección de errores de codificación comunes.

El punto de código U+0000 (Nulo) es el único carácter que no está permitido en ningún documento XML 1.1.

El conjunto de caracteres Unicode se puede codificar en bytes para su almacenamiento o transmisión de diversas maneras, denominadas "codificaciones". Unicode define codificaciones que cubren todo el repertorio; entre las más conocidas se encuentran UTF-8 (que el estándar XML recomienda usar, sin BOM ) y UTF-16 . ^{[ 16 ]} Existen muchas otras codificaciones de texto anteriores a Unicode, como ASCII y varias ISO/IEC 8859 ; sus repertorios de caracteres son, en todos los casos, subconjuntos del conjunto de caracteres Unicode.

XML permite el uso de cualquiera de las codificaciones definidas por Unicode y cualquier otra codificación cuyos caracteres también aparezcan en Unicode. XML también proporciona un mecanismo mediante el cual un procesador XML puede determinar de forma fiable, sin ningún conocimiento previo, qué codificación se está utilizando. ^{[ 17 ]} Las codificaciones distintas de UTF-8 y UTF-16 no son necesariamente reconocidas por todos los analizadores XML (y en algunos casos ni siquiera UTF-16, aunque el estándar exige que también se reconozca).

XML proporciona mecanismos de escape para incluir caracteres que resultan problemáticos al incluirlos directamente. Por ejemplo:

• Los caracteres " < " y "&" son marcadores de sintaxis clave y nunca deben aparecer en contenido fuera de una sección CDATA . Se permite, pero no se recomienda, usar " < " en valores de entidades XML. ^{[ 18 ]}
• Algunas codificaciones de caracteres solo admiten un subconjunto de Unicode. Por ejemplo, es válido codificar un documento XML en ASCII, pero ASCII carece de puntos de código para caracteres Unicode como "é".
• Puede que no sea posible escribir el carácter en el ordenador del autor.
• Algunos caracteres tienen glifos que no se pueden distinguir visualmente de otros caracteres, como el espacio de no separación (  ) " " y el espacio (  ) " ", y la letra mayúscula cirílica A ( А) "А" y la letra mayúscula latina A ( A) "A".

Hay cinco entidades predefinidas :

• <representa " < ";
• >representa " > ";
• &representa "&";
• 'representa " ' ";
• "representa ' " '.

Todos los caracteres Unicode permitidos pueden representarse con una referencia numérica de carácter . Consideremos el carácter chino "中", cuyo código numérico en Unicode es hexadecimal 4E2D, o decimal 20.013. Un usuario cuyo teclado no ofrece un método para introducir este carácter aún podría insertarlo en un documento XML codificado como 中o 中. De manera similar, la cadena "I < 3 Jörg" podría codificarse para su inclusión en un documento XML como .I <3 Jörg

�no está permitido porque el carácter nulo es uno de los caracteres de control excluidos de XML, incluso cuando se utiliza una referencia de carácter numérico. ^{[ 19 ]} Se necesita un mecanismo de codificación alternativo como Base64 para representar dichos caracteres.

Los comentarios pueden aparecer en cualquier parte de un documento fuera de otro marcado. Los comentarios no pueden aparecer antes de la declaración XML. Los comentarios comienzan con <!--y terminan con . Para compatibilidad con SGML , la cadena "--" (doble guion) no está permitida dentro de los comentarios; ^{[ 20 ]} esto significa que los comentarios no pueden anidarse. El ampersand no tiene un significado especial dentro de los comentarios, por lo que las referencias a entidades y caracteres no se reconocen como tales, y no hay forma de representar caracteres fuera del conjunto de caracteres de la codificación del documento.-->

Un ejemplo de comentario válido: <!--no need to escape <code>& such in comments-->

XML 1.0 (Quinta Edición) y XML 1.1 admiten el uso directo de casi cualquier carácter Unicode en nombres de elementos, atributos, comentarios, datos de caracteres e instrucciones de procesamiento (excepto aquellos que tienen un significado simbólico especial en el propio XML, como el signo menor que, "<"). A continuación se muestra un documento XML bien formado que incluye caracteres chinos , armenios y cirílicos :

<?xml version="1.0" encoding="UTF-8"?> <俄语֥֦֬ւ = "ָּւ ֽ֥ր ֥ւ" > данные </俄语>

El lenguaje de esquema más antiguo para XML es la definición de tipo de documento (DTD), heredada de SGML.

Los DTD ofrecen los siguientes beneficios:

• La compatibilidad con DTD es omnipresente debido a su inclusión en el estándar XML 1.0.
• Las DTD son concisas en comparación con los lenguajes de esquema basados ​​en elementos y, en consecuencia, presentan más información en una sola pantalla.
• Las DTD permiten la declaración de conjuntos de entidades públicas estándar para la publicación de personajes.
• Las DTD definen un tipo de documento en lugar de los tipos utilizados por un espacio de nombres, agrupando así todas las restricciones de un documento en una única colección.

Los DTD tienen las siguientes limitaciones:

• No ofrecen soporte explícito para las características más recientes de XML, sobre todo para los espacios de nombres .
• Carecen de expresividad. Las DTD XML son más simples que las DTD SGML y existen ciertas estructuras que no pueden expresarse con gramáticas regulares. Las DTD solo admiten tipos de datos rudimentarios.
• Carecen de legibilidad. Los diseñadores de DTD suelen hacer un uso intensivo de entidades de parámetros (que se comportan esencialmente como macros textuales ), lo que facilita la definición de gramáticas complejas, pero a costa de la claridad.
• Utilizan una sintaxis basada en expresiones regulares , heredada de SGML, para describir el esquema. Las API XML típicas, como SAX, no ofrecen a las aplicaciones una representación estructurada de la sintaxis, por lo que resulta menos accesible para los programadores que una sintaxis basada en elementos.

Dos características peculiares que distinguen a las DTD de otros tipos de esquemas son la compatibilidad sintáctica para incrustar una DTD dentro de documentos XML y para definir entidades , que son fragmentos arbitrarios de texto o marcado que el procesador XML inserta en la propia DTD y en el documento XML dondequiera que se haga referencia a ellas, como secuencias de escape de caracteres.

La tecnología DTD todavía se utiliza en muchas aplicaciones debido a su omnipresencia.

Un lenguaje de esquema más reciente, descrito por el W3C como el sucesor de las DTD, es XML Schema , a menudo conocido por las siglas XSD (XML Schema Definition) para las instancias de XML Schema. Las XSD son mucho más potentes que las DTD para describir lenguajes XML. Utilizan un sistema de tipado de datos avanzado y permiten restricciones más detalladas en la estructura lógica de un documento XML. Además, las XSD utilizan un formato basado en XML, lo que permite usar herramientas XML convencionales para procesarlas.

Elemento xs:schema que define un esquema:

<?xml version="1.0" encoding="UTF-8" ?> <xs:schema xmlns:xs= "http://www.w3.org/2001/XMLSchema" ></xs:schema>

RELAX NG (Regular Language for XML Next Generation) fue especificado inicialmente por OASIS y ahora es un estándar (Parte 2: Validación basada en gramática regular de ISO/IEC 19757 – DSDL ). Los esquemas RELAX NG pueden escribirse tanto en una sintaxis basada en XML como en una sintaxis no XML más compacta; ambas sintaxis son isomorfas y la herramienta de conversión de James Clark , Trang , puede convertir entre ellas sin pérdida de información. RELAX NG tiene un marco de definición y validación más simple que XML Schema, lo que facilita su uso e implementación. También tiene la capacidad de usar complementos de marco de tipos de datos ; un autor de esquemas RELAX NG, por ejemplo, puede requerir que los valores en un documento XML se ajusten a las definiciones de los tipos de datos de XML Schema.

Schematron es un lenguaje para realizar afirmaciones sobre la presencia o ausencia de patrones en un documento XML. Generalmente utiliza expresiones XPath . Schematron es ahora un estándar (Parte 3: Validación basada en reglas de ISO/IEC 19757 – DSDL ).

DSDL (Document Schema Definition Languages) es un estándar ISO/IEC de varias partes (ISO/IEC 19757) que reúne un conjunto completo de lenguajes de esquema pequeños, cada uno dirigido a problemas específicos. DSDL incluye la sintaxis completa y compacta RELAX NG , el lenguaje de aserción Schematron y lenguajes para definir tipos de datos, restricciones de repertorio de caracteres, renombrado y expansión de entidades, y enrutamiento basado en espacios de nombres de fragmentos de documentos a diferentes validadores. Los lenguajes de esquema DSDL aún no cuentan con el soporte de proveedores de los esquemas XML y son, en cierta medida, una reacción espontánea de los editores industriales ante la falta de utilidad de los esquemas XML para la publicación .

Algunos lenguajes de esquema no solo describen la estructura de un formato XML específico, sino que también ofrecen funcionalidades limitadas para influir en el procesamiento de archivos XML individuales que se ajustan a dicho formato. Tanto los DTD como los XSD poseen esta capacidad; por ejemplo, pueden proporcionar la funcionalidad de ampliación de conjuntos de información y valores predeterminados para los atributos. RELAX NG y Schematron, por decisión propia, no ofrecen estas funcionalidades.

La API simple para XML (SAX) es una API léxica basada en eventos en la que un documento se lee secuencialmente y su contenido se reporta como llamadas a diversos métodos de un objeto controlador diseñado por el usuario. SAX es rápida y eficiente de implementar, pero difícil de usar para extraer información aleatoriamente del XML, ya que tiende a sobrecargar al desarrollador de la aplicación al tener que hacer un seguimiento de qué parte del documento se está procesando. Es más adecuada para situaciones en las que ciertos tipos de información siempre se manejan de la misma manera, independientemente de su ubicación en el documento.

El análisis de extracción trata el documento como una serie de elementos leídos en secuencia utilizando el patrón de diseño iterador . Esto permite escribir analizadores descendentes recursivos en los que la estructura del código que realiza el análisis refleja la estructura del XML que se está analizando, y los resultados intermedios analizados se pueden usar y acceder como variables locales dentro de las funciones que realizan el análisis, o pasarse (como parámetros de función) a funciones de nivel inferior, o devolverse (como valores de retorno de función) a funciones de nivel superior. ^{[ 27 ]} Ejemplos de analizadores de extracción incluyen Data::Edit::Xmlen Perl , StAX en el lenguaje de programación Java , XMLPullParser en Smalltalk , XMLReader en PHP , ElementTree.iterparseen Python , SmartXML en Red , System.Xml.XmlReaderen el .NET Framework y la API de recorrido del DOM ( NodeIteratory TreeWalker).

Un analizador de extracción crea un iterador que visita secuencialmente los distintos elementos, atributos y datos de un documento XML. El código que utiliza este iterador puede comprobar el elemento actual (para determinar, por ejemplo, si se trata de una etiqueta de inicio o de cierre, o de texto), inspeccionar sus atributos (nombre local, espacio de nombres , valores de los atributos XML, valor del texto, etc.) y también mover el iterador al siguiente elemento. De este modo, el código puede extraer información del documento a medida que lo recorre. El enfoque de descenso recursivo tiende a facilitar el almacenamiento de datos como variables locales tipadas en el código que realiza el análisis, mientras que SAX, por ejemplo, normalmente requiere que un analizador mantenga manualmente los datos intermedios dentro de una pila de elementos que son elementos padre del elemento que se está analizando. El código de análisis de extracción puede ser más sencillo de entender y mantener que el código de análisis SAX.

El Modelo de Objetos del Documento ( DOM) es una interfaz que permite navegar por todo el documento como si fuera un árbol de objetos que representan su contenido. Un documento DOM puede ser creado por un analizador sintáctico o generado manualmente por el usuario (con ciertas limitaciones). Los tipos de datos en los nodos DOM son abstractos; las implementaciones proporcionan sus propias vinculaciones específicas del lenguaje de programación . Las implementaciones DOM suelen consumir mucha memoria , ya que generalmente requieren que todo el documento se cargue en memoria y se construya como un árbol de objetos antes de permitir el acceso.

El enlace de datos XML es una técnica para simplificar el desarrollo de aplicaciones que necesitan trabajar con documentos XML. Consiste en mapear el documento XML a una jerarquía de objetos fuertemente tipados, en lugar de utilizar los objetos genéricos creados por un analizador DOM. El código resultante suele ser más fácil de leer y mantener, y puede ayudar a identificar problemas en tiempo de compilación en lugar de en tiempo de ejecución. El enlace de datos XML es particularmente adecuado para aplicaciones donde la estructura del documento es conocida y fija en el momento de escribir la aplicación. Al crear una representación fuertemente tipada de los datos XML, los desarrolladores pueden aprovechar los entornos de desarrollo integrados (IDE) modernos que proporcionan características como autocompletado, refactorización de código y resaltado de código. Esto puede facilitar la escritura de código correcto y eficiente, y reducir el riesgo de errores y fallos. Ejemplos de sistemas de enlace de datos incluyen la ^arquitectura Java para enlace XML (JAXB), la serialización XML en .NET Framework [ ^{28 ]} y la serialización XML en gSOAP .

XML ha aparecido como un tipo de datos de primera clase en otros lenguajes. La extensión ECMAScript para XML (E4X) del lenguaje ECMAScript /JavaScript define explícitamente dos objetos específicos (XML y XMLList) para JavaScript, que admiten nodos de documentos XML y listas de nodos XML como objetos distintos y utilizan una notación de punto que especifica relaciones padre-hijo. ^{[ 29 ]} E4X es compatible con los navegadores Mozilla 2.5+ (aunque ahora está obsoleto) y Adobe Actionscript , pero no ha sido ampliamente adoptado. Se utilizan notaciones similares en la implementación LINQ de Microsoft para Microsoft .NET 3.5 y superior, y en Scala (que utiliza la máquina virtual de Java). La aplicación de código abierto xmlsh, que proporciona un intérprete de comandos similar a Linux con características especiales para la manipulación de XML, trata de manera similar XML como un tipo de datos, utilizando la notación <[ ]>. ^{[ 30 ]} El Resource Description Framework define un tipo de datos para contener XML canónicordf:XMLLiteral encapsulado . ^{[ 31 ]} Facebook ha producido extensiones para los lenguajes PHP y JavaScript que agregan XML a la sintaxis principal de manera similar a E4X, a saber, XHP y JSX respectivamente.

XML es un perfil de un estándar ISO, SGML, y la mayor parte de XML proviene de SGML sin modificaciones. De SGML provienen la separación de estructuras lógicas y físicas (elementos y entidades), la disponibilidad de validación basada en gramática (DTD), la separación de datos y metadatos (elementos y atributos), el contenido mixto, la separación del procesamiento de la representación ( instrucciones de procesamiento ) y la sintaxis predeterminada de corchetes angulares. La declaración SGML fue eliminada; por lo tanto, XML tiene un conjunto fijo de delimitadores y adopta Unicode como conjunto de caracteres del documento .

Otras fuentes de tecnología para XML fueron la TEI (Text Encoding Initiative), que definió un perfil de SGML para su uso como "sintaxis de transferencia", y HTML . El proyecto ERCS (Extended Reference Concrete Syntax) del proyecto SPREAD (Standardization Project Regarding East Asian Documents) del grupo de expertos en procesamiento de documentos de China/Japón/Corea relacionado con ISO fue la base de las reglas de nomenclatura de XML 1.0; SPREAD también introdujo referencias numéricas hexadecimales de caracteres y el concepto de referencias para que estuvieran disponibles todos los caracteres Unicode. Para brindar un mejor soporte a ERCS, XML y HTML, el estándar SGML IS 8879 fue revisado en 1996 y 1998 con adaptaciones WebSGML.

Las ideas que surgieron durante la discusión y que son novedosas en XML incluyeron el algoritmo para la detección de codificación y el encabezado de codificación, el objetivo de la instrucción de procesamiento, el atributo xml:space y el nuevo delimitador de cierre para etiquetas de elementos vacíos. La noción de buena formación en contraposición a la validez (que permite el análisis sin un esquema) se formalizó por primera vez en XML, aunque se había implementado con éxito en el software de tecnología de libros electrónicos "Dynatext"; ^{[ 41 ]} el software del proyecto del Nuevo Diccionario de Inglés de Oxford de la Universidad de Waterloo; el procesador de texto RISP LISP SGML en Uniscope, Tokio; el sistema de hipertexto IADS del Comando de Misiles del Ejército de los EE. UU.; Mentor Graphics Context; Interleaf y Xerox Publishing System.

La primera versión (XML 1.0) se definió inicialmente en 1998. Desde entonces, ha sufrido pequeñas revisiones, sin que se le haya asignado un nuevo número de versión, y actualmente se encuentra en su quinta edición, publicada el 26 de noviembre de 2008. Su uso está ampliamente extendido y sigue siendo recomendable para uso general.

La segunda versión (XML 1.1) se publicó inicialmente el 4 de febrero de 2004, el mismo día que la tercera edición de XML 1.0, ^{[ 42 ]} y actualmente se encuentra en su segunda edición, publicada el 16 de agosto de 2006. Contiene características (algunas controvertidas) que pretenden facilitar el uso de XML en ciertos casos. ^{[ 43 ]} Los principales cambios consisten en habilitar el uso de caracteres de fin de línea utilizados en plataformas EBCDIC y el uso de escrituras y caracteres ausentes en Unicode 3.2. XML 1.1 no está muy extendido y se recomienda su uso únicamente para quienes necesiten sus características específicas. ^{[ 44 ]}

Antes del lanzamiento de su quinta edición, XML 1.0 se diferenciaba de XML 1.1 por tener requisitos más estrictos para los caracteres disponibles para su uso en nombres de elementos y atributos e identificadores únicos: en las primeras cuatro ediciones de XML 1.0, los caracteres se enumeraban exclusivamente utilizando una versión específica del estándar Unicode (de Unicode 2.0 a Unicode 3.2). La quinta edición sustituye el mecanismo de XML 1.1, que es más a prueba de futuro pero reduce la redundancia . El enfoque adoptado en la quinta edición de XML 1.0 y en todas las ediciones de XML 1.1 es que solo ciertos caracteres están prohibidos en los nombres, y todo lo demás está permitido para acomodar caracteres de nombres adecuados en futuras versiones de Unicode. En la quinta edición, los nombres XML pueden contener caracteres de las escrituras balinesa , cham o fenicia, entre muchas otras agregadas a Unicode desde Unicode 3.2. ^{[ 43 ]}

Casi cualquier punto de código Unicode puede usarse en los datos de caracteres y valores de atributos de un documento XML 1.0/1.1, incluso si el carácter correspondiente al punto de código no está definido en la versión actual de Unicode. En los datos de caracteres y valores de atributos, XML 1.1 permite el uso de más caracteres de control que XML 1.0, pero, para mayor "robustez", la mayoría de los caracteres de control introducidos en XML 1.1 deben expresarse como referencias numéricas de caracteres (y #x7F a #x9F, que se permitían en XML 1.0, en XML 1.1 incluso deben expresarse como referencias numéricas de caracteres ^{[ 43 ]} ). Entre los caracteres de control admitidos en XML 1.1 hay dos códigos de salto de línea que deben tratarse como caracteres de espacio en blanco, que son los únicos códigos de control que se pueden escribir directamente.

Se ha hablado de un XML 2.0, aunque ninguna organización ha anunciado planes para trabajar en un proyecto de este tipo. XML-SW (SW por skunkworks ), escrito por uno de los desarrolladores originales de XML, ^{[ 45 ]} contiene algunas propuestas sobre cómo podría ser un XML 2.0, incluyendo la eliminación de DTD de la sintaxis, así como la integración de espacios de nombres XML , XML Base y XML Information Set en el estándar base.

En 2012, James Clark (líder técnico del Grupo de Trabajo XML) y John Cowan (editor de la especificación XML 1.1) formaron el Grupo Comunitario MicroXML dentro del W3C y publicaron MicroXML, una especificación para un subconjunto significativamente reducido de XML. ^{[ 46 ]} MicroXML proporciona una sintaxis central mucho más simple al eliminar muchas características del XML completo, como las declaraciones de tipo de documento y las secciones CDATA, ^{[ 21 ]} al tiempo que garantiza la validez del espacio de nombres XML al no permitir nombres que entren en conflicto con el prefijo del espacio de nombres.

Debido a la verbosidad del XML textual, se han propuesto varios formatos binarios como representaciones compactas para XML: Fast Infoset , basado en ASN.1 , fue publicado como estándar internacional por la UIT-T en 2005 y posteriormente por la ISO . Efficient XML Interchange (EXI), un formato XML binario desarrollado originalmente por AgileDelta, fue adoptado como recomendación del W3C en 2011, con una segunda edición publicada en 2014.