第1章　概述

1.1　XML技术简介

XML技术是在Internet广泛应用之后，传统的Web技术HTML的可扩展性、结构化和灵活性已经不能满足应用需要，且已经影响到Internet应用发展的背景下提出的。1998年2月，W3C（World Wide Web Consortium）提出了XML技术的第一个规范XML 1.0，目标是创建一种标记语言，并同时具备定义严格、语法明确、表示方便、结构良好、适用于所有行业的新标记定义等，用来彻底解决Internet应用中存在的问题。XML技术源自SGML，它既具备SGML的核心特征，又有HTML的简单性。目前，XML技术已经开始在Web、新型数据库系统中广泛应用，在计算机网络应用、网络编程、跨平台编程、移动互联网、物联网技术中发挥越来越重要的作用。

1.1.1　XML的历史

1.SGML

1979年国际标准化组织（ISO）设立了一个文本处理小组，开始开发一种基于GML（Generalized Markup Language）的文本描述语言。1980年，第一个GML工作草案发布。1983年，这个文本描述语言最终演化成SGML（Standard GML），这是一个标准化的信息结构化技术，后来SGML扩展和修改成为一种全面适应工业范围的信息标准。1986年，ISO采纳了SGML。

SGML语言庞大，功能强，体系严密，同时技术比较复杂，价格昂贵，需要大量的软件来支持它，导致运营成本较高。20世纪80年代主要用于电子产品交易、科技文献分类等方面。

2.HTML

HTML（HyperText Markup Language，超文本标记语言）于1989年在欧洲核子物理实验室问世，这个技术采用超文本传输协议（HyperText Transfer Protocol）。

HTML的出现对Internet的爆炸性发展起到了积极的作用，WWW成为人类了解信息、了解世界的一种全新的概念和模式。HTML的巨大成功，使HTML迅速从1.0版本发展成4.0版本。在发展的过程中，给HTML赋予了比最初设想要复杂得多的功能，目的是使HTML完成来自于商业应用、科学研究、信息发布的所有任务，使得HTML的语言失去了最初的简单性，并且在使用HTML时出现了随意性、不规范和不严格等问题。

另一方面，HTML的专用词表有限，用户无法自由增加新标记并进行有效性验证，用HTML来完成不同行业内的数据定义、数据表示，以及行业之间的数据交换很不方便，而随着Internet的广泛应用，这种交换又是必须的、大量的、十分广泛的，这使得HTML捉襟见肘，无法满足这种要求。

3.XML

为了解决HTML在Internet应用中的局限性，1996年，W3C开始寻找在Web中使用SGML的方法。因为，SGML具备HTML所没有的三种优势：可扩展性、结构化和灵活性。他们的目标是创建一种标记语言，这种语言既要具备SGML的核心特征，又要有HTML的简单性。同时具备许多新的特征，如定义严格、语法明确、表示方便、结构良好、适用于所有行业的新的标记定义等。1998年2月10日，W3C发布了XML 1.0规范，这就是XML（Extensible Markup Language），可扩展标记语言。

XML是Web发展到一定阶段的必然产物。W3C在XML 1.0规范中是这样定义XML的：“可扩展标记语言（XML）是用来描述一种称为XML的文件的数据对象，同时也部分地描述了处理这些数据对象的计算机程序的行为。XML是SGML应用的一个子集，或为SGML的某种限制形式。根据指定规格的定义，XML文件是符合规范的SGML文件。”

根据XML 1.0（第5版）规范，XML的设计目标是：

①XML应能直接用于Internet。

②XML应支持广泛的应用。

③XML应与SGML兼容。

④处理XML文档的程序应该容易编写。

⑤XML的可选择性特征保持绝对小，理想情况下为零。

⑥XML文档应该是人易读的且合理清晰的。

⑦XML设计应该是可很快准备好的。

⑧XML文档的设计应该正规和简洁。

⑨XML文档应容易创建。

⑩在XML标记中简洁性可以忽略不计。

XML 1.0规范包含三个主要部分，它们是XML文档内容、文档的逻辑结构、文档的物理结构。

XML文档是由被称为实体的存储单元组成的。实体或者是解析的，或者是不可解析的。解析的数据由字符组成，其中一部分形成字符数据，一部分形成标记。标记对描述XML文档的存储布局和逻辑结构进行编码。XML提供了把各种约束强加在该存储布局和逻辑结构上的机制。

XML文档内容中，包括结构良好性、字符集、通用语法结构、字符数据与标记、注释、处理指令、CDATA节、序言及文档类型定义、文档的独立性声明、空白符处理、行结束控制和语言标识等十余项内容，对书写XML文档的数据给出了详细的规定。

在XML文档的逻辑结构部分，定义了XML文档的标记书写的规则、元素类型声明、属性表声明和条件节等内容，从而规定了XML元素和属性的定义规范。

在XML文档的物理结构中，对字符和实体参考、实体声明、实体解析、XML处理器对实体和参考的处理、构造内部实体替代文本、预定义实体、表示法声明和文档实体等内容，对XML文档中实体的定义、引用、内部和外部实体进行了统一规定。

1.1.2　XML与HTML的比较

对于XML的语法，将在后续章节中详细讨论。为了便于理解XML的语法、标记、文件格式，对HTML与XML进行简单的比较讨论是一件有意义的事情，可以帮助我们理解XML。

1.HTML文档

HTML文件是一系列用“＜”和“＞”符号，把具有特定含义的英文字符串括起来，构造成称为标记的元素来描述语法的。

例1.1　一个简单的网页文件。

在HTML文件中出现的标记都是由HTML规范规定的，如＜html＞、＜head＞、＜body＞、＜p＞、＜h1＞等，每个标记应该有一个结束标记，结束标记由“＜/”和“＞”包括标记名构成，如＜/body＞、＜/p＞。一个HTML文件必须在第一行写上＜html＞，最后一行写上＜/html＞来包含所有的内容。浏览器判断一个文件是否为HTML文件，就是根据文件是否包含在＜html＞和＜/html＞这一对标记中。但是也有几个元素没有结束标记，如＜img＞、＜br＞、＜hr＞等。目前使用的是W3C在1998年4月24日推出的HTML 4.0规范。

2.XML文档

一个XML文档是由用户自行定义的标记组成的，这些标记与HMTL一样，都使用“＜＞”来包含标记名。下面来考查一组数据的表示，如表1.1所示。

例1.2　根据表1.1建立XML文档。

与HTML文件一个最重要的差别是，在每一个XML文档的第一行必须写上＜？xml version="1.0"？＞命令，用于标识该文件是一个XML文档，也方便XML处理器识别哪些是XML文档，哪些不是XML文档。接下来的内容是用户自定义的根元素标记，根元素必须有一个结束标记，所有用户定义的其他元素都被包含在根元素中，如＜studentlist＞＜/studentlist＞之间的内容是其他元素标记的定义。每一个标记必须有一个结束标记与之对应。一对标记之间包含的对象称为一个元素。标记的表示与HTML的标记表示一样，都是把标记名放在“＜”和“＞”中间构成，结束标记是把标记名放在“＜/”和“＞”之间。如＜name＞＜/name＞、＜sex＞＜/sex＞等。但是，XML的标记与HTML的标记名不一样。XML的标记名定义的含义、合法性和有效性，由用户专门在DTD（文档类型定义）或者XML Schema（XML模式）中定义。而HTML的标记名由HTML规范确定。

一般说来，在设计一个标记名时，应该使标记名具有特定的含义，以表示元素的意义。虽然，XML规范没有对哪种语言可以用作标记名做特别的限定，但为了使用方便，建议使用英文字符作为标记名，最好使用与元素名具有相同或相近含义的英文单词作为标记名，如学生名单＜studentlist＞、学生＜student＞、姓名＜name＞、性别＜sex＞等。另外，使用中文字符作为元素名称，也是可行的，如＜成绩＞、＜高等数学＞、＜程序设计＞、＜街道＞等。

在例1.2中，有一个根元素＜studentlist＞，根元素下有若干个＜student＞元素，每个＜student＞元素下都有＜name＞、＜sex＞、＜major＞和＜score＞，＜score＞标记中还嵌套了下一级子元素＜mathematics＞、＜programming＞、＜circuit＞，这样的元素嵌套，根据需要可以有许多层次。

1.1.3　XML的编辑工具

XML文档是文本文件，任何一种纯文本文件编辑工具都可以用于XML文档的编辑。如记事本、XML Writer、XML SPY等。下面是XML文档编辑器的简介。

1.记事本

Windows中的记事本，是一个文本文件编辑器，也是XML文档最常见的编辑工具。当读者手中一时没有更好的编辑工具时，可以使用记事本来编辑XML文档。Windows 98的记事本没有引入处理Unicode字符集的功能。Windows 2000及其以后版本的记事本提供了处理Unicode字符集的功能。

2.XML Notepad

XML Notepad是微软公司为XML文档编辑特意设计的编辑工具。其界面如图1.1所示，这是一个简单的XML文档编辑器。

3.Amaya

Amaya是W3C专门为XML设计的开发工具，这是一个比较全面完整的XML开发工具，其界面如图1.2所示。读者可以在http://www.w3.org/中下载该软件。

4.XML SPY

XML SPY是Altova公司开发的专用XML编辑管理工具，一共有三个版本：XMLSpy Enterprise Edition/Professional Edition/Home Edition。用户可以获得三个月免费使用的试用版，读者可以在http://www.altova.com/中下载。

1.1.4　浏览XML文档

作为Internet上的主要浏览器，一个是微软的Internet Explorer，另一个是网景公司的Navigator（该公司已破产）。微软的浏览器IE 5.5及其以后的版本均支持XML。支持XML的还有W3C推荐的Awaya和Opera。

HTML文件在浏览器上显示，这就是众所周知的网页。HTML文件在IE浏览器上显示效果如图1.3所示，这是一个包含了标题、段落和图形的简单网页。

对于XML文档，在IE浏览器上直接显示的效果如图1.4所示。从图1.4可看出，XML文档在IE浏览器上显示出元素的树状结构，这类似于微软Windows资源管理器中的文件夹的形态。每个元素前的“-”表示该元素已经展开，若某个元素包含下一级子元素，展开后将显示该元素的下级元素，若某个元素前出现“+”，表示这个元素及其下一级子元素被封闭起来。

这个效果可能出人意料，但是，这就是XML文档应该出现在浏览器中的样子。读者不禁要问：不是要把XML文档作为新一代的Web应用标准来设计吗？不是要让XML代替HTML成为Internet上的主要技术标准吗？用IE浏览器显示XML文档怎么是这个样子？这样的XML能够实现W3C的良好愿望吗？

为了使XML文档在浏览器上显示人们期望得到的效果，可以采用几种技术。图1.5是使用XSL（eXtensible Stylesheet Language）对上面的XML文档进行转换后的显示效果。显然，图中表现的XML文档已经可以满足Internet上的一般应用了。

1.1.5　XML的相关技术及其发展

从1998年到现在，XML技术规范从1.0第一版本发展到1.0第五版本。XML不仅在Internet领域，还在各种行业的数据描述和表示方面展现出良好的行为和品质，尤其在电子商务领域的表现十分出色，因而XML得到了广泛应用。现在，在W3C和业界的大力支持下，XML逐渐向广泛的应用领域迅速发展，开始成为Web技术中的核心。同时XML的相关技术也快速出现，基于XML技术核心的软件体系正在逐渐形成。

1.XML数据类型定义

XML文档数据的类型和有效性定义，可以保证XML文档数据的正确性和完整性。在XML技术规范中，通过DTD和XML Schema来定义数据类型。

（1）DTD

DTD（Documents Type Definition，文档类型定义）是W3C建议的XML有效性检验的标准，其使用先定义根元素，然后分别定义各级子元素以及元素属性的方式对XML元素（Element）和属性表（Attlist）进行定义，提供十分有限的元素类型来定义元素和属性。

（2）XML Schema

XML Schema最开始是微软公司推荐并且在微软产品中通用的XML文档有效性标准，在2001年5月成为W3C的建议规范，W3C一直在致力于适合描述XML内容模型的规范的开发工作。2001年5月3日，W3C发布了XML Schema 1.0规范的推荐版本，并声明这个规范是稳定的，有助于Web互操作性，并且被W3C的成员修订，这些成员来自学术界、业界和研究团体，他们赞成采用这个规范。XML Schema 1.0定义了公用标记词表、使用这些词表的XML文档的结构，以及提供了与这些词表和结构相关的联系。W3C认为：“XML Schema 1.0为XML发挥其全部潜力提供了一个实质构件”。在开发过程中，参与标准制定的各方都一致认为XML Schema 1.0标准的制定将是XML发展历史上意义重大、影响深远的事件。

XML Schema 1.0包含三个模块：结构、数据类型和初级读物（Primer）。结构描述了XML文档的结构和内容模型的约束和规则来操纵文档元素的有效性；数据类型为确定XML的元素和属性的数据类型提供了40多种，允许XML软件在操作数据、数字、时间、串等信息时表现得更好；初级读物是为了读者方便理解XML Schema而写的一个非标准文档，使用了大量的例子来描述XML Schema 1.0。

XML Schema 1.0给XML技术带来更大的灵活性，加速了XML技术在重要领域的应用，因此，也加速了XML Schema的深入发展和进一步成熟。2004年10月28日，W3C发布了XML Schema 2.0规范。

（3）XML文档的有效性验证

微软对XML的技术支持主要反映在它的XML解析器MSXML.dll中。这个解析器伴随着XML的发展而发展，从最初的2.0发展到今天的4.0版本，在MS XML 4.0中，引入对XML Schma进行验证的技术支持——SOM（Schema Object Model）。该对象对XML Schema文档进行加载、分析和检验，以确定XML元素定义的有效性。

2.XML文档数据显示和转换技术

XML文档直接在Web浏览器上显示时的形态，上面已经讨论过，这一点与HTML文档的显示不一样。为了解决XML文档的显示问题，需要借助其他技术，下面对这些技术分别进行简单讨论，详细内容可以参考本书后续章节。

（1）CSS

CSS（Cascading StyleSheet）原本是为了HTML文档的格式化提出的。1998年XML 1.0规范提出时，还没有相应的XML转换语言，所以使用了人们熟悉的CSS1对XML文档进行格式化。但是CSS1只提供了一些简单的格式标记，除了这些用于格式化HTML的样式元素外，无法满足XML元素进行格式化的要求，如不能为XML很好地工作、没有表格功能等。

1998年，W3C修订了CSS1，扩展了CSS1的功能，使之成为CSS2。CSS2是一个样式表语言，使设计者和用户可以了解CSS2，然后构造HTML文档和XML应用。把文档的样式表示和文档的内容分开，CSS2简化了Web设计和站点维护。

（2）XSLT

XSLT（eXtensible Stylesheet Language Transformation）是W3C推荐的XML文档数据的转换技术，于1999年11月提出。可以采用XSLT技术，实现XML文档数据的查询、读写操作。现在使用的是XSLT 2.0版本。

XSLT技术以“模板驱动”的方式访问XML数据，XSLT文件符合XML规范。XSLT处理器可以安装在客户端或服务器端。微软公司的MSXML（XML解析）支持XSLT，可以解析XML和处理XSLT转换。经过XSLT处理的XML数据可以HTML的形式显示在浏览器上。

XSLT包含XSL转换和XSL格式化对象。XSL文档本身是一个定义严格的XML文档，符合XML语法规范。在XSL格式化对象中，通过引进模板（template）访问XML数据元素及其属性。

（3）DOM

DOM（Document Object Model）是一组接口集合。这个集合为各种应用程序提供了标准设计接口，各个接口规定了相应的属性、方法和对象。

DOM对XML文档的访问主要以结点访问为基础，从XML数据树状结构的根结点开始，每一个下层元素都作为结点处理。通过对结点的处理，可以实现数据检索、增加和删除等操作，从而实现对XML文档数据的管理。这样，DOM在处理时需要一次性完整地读入XML文档，从而获得XML文档的整个树状结构。

DOM已经出现了三个版本：DOM Level 1、DOM Level 2、DOM Level 3。其中，DOM Level 3是最近期的版本，于2004年7月提出。DOM技术在XML应用中扮演越来越重要的角色，特别是在Web应用编程中有广泛应用，因此受到了业界的普遍重视，XML DOM得以迅速发展。

（4）Data Island

Data Island（数据岛）技术是以HTTP来实现网络传输，并显示XML数据文件的另外一种技术。把XML数据文件嵌入HTML文本中的，作为提供数据的模块，借助HTML可以方便地在浏览器上浏览这个XML数据文件，这就是所谓的数据岛技术，也称XML数据源。

XML数据岛分为内部和外部两类。内部数据岛是直接在HTML中通过在元素＜xml＞＜/xml＞之间包含XML数据，其数据格式完全符合XML规范。外部数据岛是通过元素＜xml＞的属性src来引用以XML文档形式保存在磁盘上的XML数据。

（5）SAX

SAX（Simple API for XML）是另外一个常用的XML文档处理技术。目前SAX还不是W3C的建议规范，是由XML-DEV电子报的一组开发人员进行设计和发展的。在读取XML文档时，顺序地读入XML文档中的元素名和元素值、属性名和属性值。它与DOM的差异类似于磁带和磁盘，SAX只能向前顺序读取XML数据，把XML文档作为一个可读取的字符流，这与磁带的读写类似。而DOM可以完整浏览和更新XML文档数据，这与磁盘的读写类似。

SAX是一组程序设计接口。在加载XML文档时可以部分调入内存，使得内存使用效率比较高，同时可以提高读取速度，提高处理效率。在顺序读取XML文档的场合，SAX可以大大提高XML文档的处理效率。但是，SAX不能随机访问XML，不能方便地对XML数据进行修改。

3.XML的查询、链接、检索

目前XPath、XQuery、XLink是W3C推荐的用于XML文档的查询链接和检索的规范。

XPath 3.0的目标是定义一种定位XML文档各部分的语言。XPath规范定义了两个主要部分：允许到XML文档各个部分的路径说明的表达式语法，另一部分是支持这些表达式的核心库基本函数。XPath是XSLT的基础。

XQuery 3.0是XPath 3.0的扩展。一般情况下，任何在语法上合格和成功运行的XQuery 3.0和XPath 3.0的表达式将返回相同的结果。

XLink（XML Linking Language）称为XML链接语言，它使用XML语法创建与简单HTML的单一方向超链接类似的结构。为了创建和描述资源之间的链接，XLink允许在XML文档内插入元素。XLink提供建立基本单方向链接和更复杂链接结构的框架，使XML文档可以：确定两个以上资源之间的链接关系；把元数据与一个链接联系起来；表示与所链接资源相分离的内部的各种链接。

4.XML数据库技术

XML文档作为数据存储的载体，从一开始就引起了人们对其数据库特性的研究兴趣。XML文档与传统的关系数据库差别较大，如果把XML文档当作数据库处理，如何让它具备关系数据库的安全机制、事务管理、并发操作、数据完整性和一致性统一等技术呢？于是提出了半结构数据库的概念。几年来，关于XML数据库的研究发展很快，已经有了一个基本的框架。

基于XML的数据库系统分为NXD（Native XML Database）和XEDB（XML Enable Database）两类。NXD是以XML文档为基础的数据库管理系统，目前是XML数据库研究的重要课题。XEDB则是在传统的RDBMS中增加了支持XML技术的功能，使得传统数据库系统能够访问XML。

（1）NXD

XML文档是一种简单的文本文件，把XML文档作为一种数据存储方式，可以使XML文档具有传统数据库存储数据的基本功能，而访问XML文档数据要比访问传统数据库更简单、更方便。这就是NXD数据库系统。这个数据库模型和概念正处于研究和探索阶段。到目前为止，这个数据库系统的初步概念是：XML文档是数据库的数据区，DTD和XML Schema是数据库的数据定义模型，XSLT、DOM、SAX是数据库数据处理技术，XPath、XLink、XQuery是数据库数据的查询链接工具。这些技术有机地结合在一起，就形成了未来XML数据库的雏形。

NXD可以方便地处理以数据为主的结构化XML文件，也能够方便地处理以文本为中心的XML文档。

（2）XEDB

传统关系数据库以表作为数据存储容器，它类似于以数据为中心的XML文档，由XEDB管理的以数据为中心的结构简单的XML文档可以方便地存储到关系数据库中，关系数据表也可以转换成结构简单的XML文档，由XEDB管理。

对于以数据为中心的结构复杂的XML文档，用XEDB来管理，将破坏XML文档的内部结构，同时也使转换时的技术复杂化。因此，用XEDB来管理结构复杂的XML文档时，还需要在传统的关系数据库中加入复杂的XML文档转换的功能。例如，微软的SQL Server 2000中引进了大量的表与XML文档转换的技术，如带批注的XDR架构、FOR XML语句等。

对于以文档为中心的XML文档，XEDB表现不是很好，所以，在研究大量非结构化文本数据的XML文档的处理时，不采用传统数据库的方法。

5.XML的安全技术

XML作为网络上传输和转换的对象，作为重要的Web技术，其安全性十分重要。除了网络安全技术外，从XML技术入手的专用XML安全技术规范已经出台。在标准的XML成分中，增加了一些专用属性，可以提供检验XML文档安全的手段和工具。XML安全技术包括XML加密、XML签名、XML密钥管理规范和XML的访问控制语言等内容。

（1）XML加密

XML加密为需要安全地交换数据的应用程序提供端到端的安全服务，XML文档可以整体加密。XML Encryption规范是W3C推荐标准，用于XML文档的加密。除整体加密外，还可以部分加密。加密的数据可以是任意的数据、XML元素、XML内容模型等。

（2）XML签名

XML Signature是W3C推荐标准，它支持数据的完整性检验、消息认证、签名者身份认证。XML Signature适用于任何数据内容，可应用于一个或多个数据内容。XML Signature可分为三类：被封装式签字、封装式签字和分离式签字。被封装式签字指Signature元素位于被签字数据块之内。封装式签字是指Signature元素包含了被签字的数据块。分离式签字是指Signature元素和签字的数据相互独立，位于不同的文档内或内容模型中。

（3）XML密钥管理规范

XML密钥管理规范是分发和注册公钥信息的规范，它包含如下的内容：XML关键信息服务规范和XML关键注册服务规范。前者支持应用程序把对与XML Signature、XML Encryption或其他公钥关联的密钥信息的处理任务委托给一个网络服务。后者支持密钥对持有者向信任服务系统注册密钥对，从而该密钥对随后可用于前者或更高层的信任断言服务。

（4）XML访问控制语言

XML访问控制的目的是为XML文档提供一个精细的访问控制模型和访问控制规范语言。利用这一访问控制技术、访问控制策略可以控制一个XML文档如何显示给用户，如具有某一角色的用户可以查看该文档的某一部分，而这一部分对其他普通用户来说应该是隐藏的。