Co je XML?

XML (Extensible Markup Language) je značkovací jazyk a formát souboru používaný pro ukládání, přenos a rekonstrukci dat. Poskytuje strukturovaný přístup k zakódování informací, což je činí čitelnými jak pro člověka, tak pro stroj.

Klíčové vlastnosti XML

1. Definováno otevřenými standardy

• Založeno World Wide Web Consortium (W3C) v roce 1998 pod XML 1.0 Specification.
• Dodržuje přísná pravidla, aby data byla strukturovaná a snadno interpretovatelná.

2. Návrhové cíle

• XML je navrženo s jednoduchostí, obecností a použitelností napříč různými platformami.
• Používá textový formát, což usnadňuje čtení a úpravy.

3. Podpora Unicode

• XML podporuje Unicode, což umožňuje ukládat a zpracovávat text v mnoha jazycích.

4. Univerzálnost

• Původně vytvořeno pro dokumenty, XML je nyní široce používáno pro reprezentaci dat v různých oblastech, včetně webových služeb, API a konfiguračních souborů.

5. Schémata a API

• Struktury XML lze definovat pomocí Document Type Definition (DTD), XML Schema (XSD) nebo Relax NG.
• Různá API, jako DOM (Document Object Model) a SAX (Simple API for XML), umožňují zpracování XML.

6. Běžné využití XML

• Výměna dat mezi různými systémy (např. webové služby, API).
• Konfigurační soubory v softwarových aplikacích.
• Ukládání strukturovaných informací (např. RSS kanály, SVG grafika, formáty dokumentů jako DOCX).
• Webový vývoj (např. XHTML, SOAP, AJAX‑based aplikace).

Nyní, když víte, co XML je, naučte se, jak číst a upravovat soubory XML pomocí tohoto průvodce pro začátečníky.

Přehled XML

1. Hlavní účel XML: Serializace

Serializace v XML znamená:

• Ukládání dat ve strukturovaném formátu.
• Přenos dat mezi různými systémy.
• Rekonstrukci dat do použitelné podoby.

Když dva systémy potřebují vyměnit informace, XML poskytuje standardizovaný formát souboru pro interoperabilitu. Funguje jako „lingua franca“ pro výměnu strukturovaných dat.

2. XML jako značkovací jazyk

XML je značkovací jazyk, což znamená, že:

• Označuje data značkami pro jasnou strukturu.
• Organizuje informace hierarchicky.
• Kategorizuje data pomocí metadat.

Příklad:

<book>
    <title>XML Basics</title>
    <author>John Doe</author>
</book>

Zde <book>, <title> a <author> jsou značky, které definují datové prvky.

3. XML Schema (XSD) a validace

XML Schema (XSD) definuje strukturální pravidla pro XML dokumenty.

XML dokumenty mohou být:

• Well‑formed → Dodržuje základní syntaktická pravidla (správné vnoření, uzavírací značky).
• Valid → Splňuje pravidla schématu (povinné elementy, správné datové typy).

Příklad pravidla XSD:

<xs:element name="title" type="xs:string"/>

Zajišťuje, že <title> musí obsahovat řetězcovou hodnotu.

4. Media typy XML (RFC 7303)

IETF RFC 7303 definuje media typy XML pro přenos dat:

• application/xml → Standardní XML data.
• application/xml-external-parsed-entity → Parsované XML entity.
• application/xml-dtd → XML DTD dokumenty.

Pro formáty založené na XML se používá přípona +xml (např. image/svg+xml pro SVG obrázky).

5. XML v síťových aplikacích (RFC 3470 / IETF BCP 70)

IETF BCP 70 (RFC 3470) popisuje osvědčené postupy pro používání XML v síťových aplikacích, čímž zajišťuje plynulou interoperabilitu dat mezi systémy.

Pro programové zpracování XML prozkoumejte nejlepší XML parsers pro Python, Java a JavaScript.

1. Aplikace XML

XML je flexibilní značkovací jazyk určený pro výměnu dat přes Internet. Jeho syntaxe ovlivnila řadu dokumentových formátů a komunikačních protokolů, což z něj činí základní technologii v mnoha odvětvích.

Běžné formáty založené na XML:

• Webové kanály: RSS, Atom
• Kancelářské dokumenty: Office Open XML, OpenDocument
• Grafika a 3D modely: SVG, COLLADA
• Webové technologie: XHTML
• Protokoly výměny dat: SOAP, XMPP
• AJAX: Používá XML pro asynchronní výměnu dat

Standardy odvětví používající XML:

• Zdravotnictví: HL7 (Health Level 7)
• Cestovní průmysl: OpenTravel Alliance
• Finance: FpML (Financial products Markup Language)
• Nemovitosti a hypotéky: MISMO
• Vládní výměna dat: National Information Exchange Model

XML ve vědě:

V meteorologii se XML používá pro reprezentaci operačních meteorologických dat podle standardů IWXXM. Podobně Darwin Information Typing Architecture (DITA) je XML standard široce využívaný v publikování.

Pro praktické nasazení si přečtěte náš tutoriál o tom, jak číst a upravovat XML v Pythonu, Javě a JavaScriptu.

2. Klíčová terminologie v XML

Pochopení základní terminologie v XML je nezbytné pro efektivní práci s XML dokumenty.

Znak

XML dokument je sekvence Unicode znaků. XML 1.1 umožňuje téměř všechny Unicode znaky, s výjimkou nulového znaku (U+0000), který je přísně zakázán.

Procesor a aplikace

• XML procesor (nebo parser) čte a analyzuje XML značkování.
• Aplikace získává strukturovaná data z procesoru a s nimi pracuje.

Značkování a obsah

XML rozděluje znaky na značkování a obsah:

• Značkování: zahrnuje elementy, atributy a entity (např. <tag> a &).
• Obsah: skutečná data uvnitř elementů.
• CDATA sekce: umožňují text, který nemá být parsován jako značky, uzavřené v <![CDATA[ ... ]]>.

Značky a elementy

• Značky: konstrukty značkování uzavřené v < >.
  • <section> (úvodní značka)
  • </section> (ukončovací značka)
  • <line-break /> (prázdná značka)
• Elementy: logické komponenty definované značkami.
  • Příklad: <greeting>Hello, world!</greeting>

Atributy

Atributy poskytují metadata pro elementy pomocí páru jméno‑hodnota. Příklad:

<img src="image.jpg" alt="Description" />

src="image.jpg" a alt="Description" jsou atributy elementu <img>.

3. Znaky a escapování v XML

Platné Unicode znaky v XML

XML dokumenty povolují pouze specifické Unicode znaky, aby bylo zajištěno správné parsování.

Povolené znaky v XML 1.0:

• Řídící znaky:
  • U+0009 (Tabulátor)
  • U+000A (Line Feed)
  • U+000D (Carriage Return)
• Textové znaky:
  • U+0020–U+D7FF
  • U+E000–U+FFFD
  • U+10000–U+10FFFF

Vylepšení v XML 1.1:

• Povolení všech U+0001–U+001F řídících znaků, ale vyžaduje jejich escapování.
• U+0000 (nulový znak) zůstává zakázán.

4. Kódování v XML

Běžná kódování XML:

XML podporuje Unicode‑založená kódování, mezi nimi:

• UTF‑8 (doporučené výchozí)
• UTF‑16 (musí být podporováno všemi XML parsery)
• ASCII, ISO‑8859‑X (starší kódování)

Deklarace kódování v XML:

Hlavička XML může specifikovat kódování:

<?xml version="1.0" encoding="UTF-8"?>

• Pokud není kódování uvedeno, předpokládá se UTF‑8.
• UTF‑16 vyžaduje BOM (Byte Order Mark) pro správnou detekci.

5. Escapování speciálních znaků v XML

Protože syntaxe XML rezervuje určité znaky, je nutné je escapovat, aby nedošlo ke konfliktům.

Předdefinované XML entity:

Číselné znakové reference:

Pro speciální znaky, které nelze napsat, použijte číselné reference:

• Desítkově:

  &#20013;  <!-- Chinese character "中" -->
  

• Hexadecimálně:

  &#x4E2D;  <!-- Chinese character "中" -->
  

• Příklad:

  <message>I &lt;3 J&#xF6;rg</message>
  

  Zobrazí se jako: I <3 Jörg

Zpracování binárních dat:

XML nepodporuje surová binární data. Místo toho se používá Base64 kódování.

6. Komentáře v XML

Syntaxe XML komentáře:

<!-- This is a valid XML comment -->

Pravidla pro XML komentáře:

• Nelze je umístit před XML deklaraci.
• Nelze v nich použít -- (dvojitá pomlčka).
• Entity reference jsou v komentářích ignorovány.

Příklad:

<!-- This is a comment with < and & symbols -->

Závěr

XML je zásadní technologií pro strukturovanou výměnu dat, pohání webové kanály, kancelářské dokumenty, vědecká data i průmyslové standardy. Porozumění klíčové terminologii XML, pravidlům kódování a escapování zajišťuje dobře formované XML dokumenty, které fungují správně napříč různými systémy.

Dodržováním osvědčených postupů v kódování znaků a escapování mohou vývojáři předejít chybám při parsování a zajistit kompatibilitu v aplikacích založených na XML.

XML (rozšiřitelný značkovací jazyk) se široce používá pro ukládání dat, konfigurační soubory a webové služby. Efektivní parsování XML je zásadní pro vývojáře pracující se strukturovanými daty. V tomto příspěvku prozkoumáme nejlepší XML parsery pro Python, Javu a JavaScript s příklady pro každý jazyk.

Než si vyberete parser, ujistěte se, že rozumíte co je XML a jeho struktura. Pokud s XML teprve začínáte, přečtěte si náš průvodce pro začátečníky čtením a úpravou XML souborů.

1. Parsování XML v Pythonu

Python poskytuje několik knihoven pro parsování XML souborů, každá vhodná pro jiný případ použití.

1.1 xml.etree.ElementTree (Vestavěná knihovna)

xml.etree.ElementTree je jednoduchý a efektivní vestavěný modul pro parsování XML.

Příklad: Parsování XML souboru

• Výhody: Lehké a snadno použitelné.
• Nevýhody: Omezené pro složité struktury XML.

1.2 lxml (Rychlý a bohatý na funkce)

lxml je výkonná knihovna založená na C knihovně libxml2, poskytující rychlost a podporu XPath.

Příklad: Parsování pomocí lxml

• Výhody: Rychlejší než ElementTree, podporuje XPath.
• Nevýhody: Vyžaduje instalaci (pip install lxml).

1.3 BeautifulSoup (Nejlepší pro web scraping)

BeautifulSoup se hlavně používá pro parsování HTML, ale také podporuje XML.

Příklad: Parsování XML pomocí BeautifulSoup

• Výhody: Snadné použití, skvělé pro web scraping.
• Nevýhody: Pomalejší než lxml.

2. Parsování XML v Javě

Java nabízí robustní možnosti parsování XML, včetně DOM, SAX a StAX parserů.

2.1 DOM parser (Načítá celý XML do paměti)

DOM parser načte celý XML strom do paměti, což usnadňuje navigaci, ale je neefektivní pro velké soubory.

Příklad: Parsování XML pomocí DOM

• Výhody: Jednoduchý, vhodný pro malé XML soubory.
• Nevýhody: Vysoká spotřeba paměti.

2.2 SAX parser (Událostně řízený a úsporný na paměť)

SAX parser čte XML sekvenčně, což jej činí vhodným pro velké soubory.

Příklad: Parsování XML pomocí SAX

• Výhody: Rychlejší a nízká spotřeba paměti.
• Nevýhody: Obtížnější navigace ve srovnání s DOM.

3. Parsování XML v JavaScriptu

JavaScript nemá vestavěný XML parser jako Python nebo Java, ale nabízí DOMParser a XMLHttpRequest.

3.1 Použití DOMParser (Klientské parsování)

DOMParser převádí XML řetězce na DOM objekty pro snadnou manipulaci.

Příklad: Parsování XML pomocí DOMParser

• Výhody: Snadné použití pro parsování XML v prohlížeči.
• Nevýhody: Omezeno na klientský JavaScript.

3.2 Načítání XML ze serveru

Příklad: Použití fetch() k načtení XML

• Výhody: Funguje pro dynamický XML obsah.
• Nevýhody: Vyžaduje server.

Jakmile si vyberete parser, implementujte jej pomocí našeho průvodce o jak číst a upravovat XML soubory v Pythonu, Javě a JavaScriptu.

Závěr: Výběr správného XML parseru

Každý parser má své výhody v závislosti na vašem případě použití. Pokud pracujete s malými XML soubory, ElementTree nebo DOM je skvělá volba. Pro velké soubory použijte SAX nebo lxml. V JavaScriptu je DOMParser nejlepší volbou pro zpracování XML v prohlížečích.