XML-Parser Manuel Röllinghoff Übersicht • • • • • • Einleitung Parsereigenschaften SAX DOM Beschreibung der wichtigsten Java-Parser Parsergeneratoren Einleitung • Große Anzahl von XML-Parsern für fast alle Programmierund Skriptsprachen erhältlich. • Unterstützung von Standards unterschiedlich. • Java und XML Einleitung • Wo werden XML-Parser eingesetzt? • Ein Beispiel: Parserarten • Zwei Parserarten: • Nicht-validierende Parser: überprüfen nur, ob das Dokument wohlgeformt ist • Validierende Parser: überprüfen zusätzlich, ob das Dokument sich an die vorgegebene DTD hält Wohlgeformtheit • Alle Attributwerte müssen in Anführungsstrichen stehen • Jedes Tag muss ein Ende-Tag besitzen ( <br></br> ) oder mit einem "/" gleich beendet werden ( <br/> ) • Elemente müssen sauber ineinander eingebettet sein ( nicht <sprache> <deutsch> </sprache> </deutsch> ) • Der Name eines Attributs kommt innerhalb eines Elements nicht mehr als einmal vor • Ein Attributwert darf keinen Verweis auf ein externes Entity enthalten • Ein Attributwert darf kein "<" enthalten SAX • • • • Simple API for XML entwickelt von der XML-DEV Mailinglist 1998 Version 1.0, inzwischen Version 2.0 serieller Mechanismus zur Verarbeitung von XMLDokumenten • ereignisgesteuertes Protokoll(Handler) SAX • Parser über ParserFactory instanzieren • Handler implementieren und beim Parser registrieren • Parser.parse() aufrufen SAX DocumentHandler • • • • • • • • startDocument() endDocument() startElement() endElement() characters() ignorableWhitespace() processingInstruction() setDocumentLocator() SAX SAX ErrorHandler • warning() • error() • fatalError() SAX SAX Entity Resolver • resolveEntity() DTDHandler • unparsedEntityDecl() • notationDecl() SAX 1.0 => SAX 2.0 • Unterstützung von XML-Namespaces • einheitliche Schnittstelle zum Lesen und Schreiben von Properties und Features • Interface XMLFilter um Filter zwischen Anwendung und SAX-Treiber einzusetzen • neue Namen für Interfaces: XMLReader für Parser, ContentHandler für DocumentHandler u.v.m. Whitespace I • Leerzeichen, Tabs, Zeilenschaltung u.ä. zwischen Tags um Quelltext lesbarer zu machen • nicht signifikant, kann nur mit Hilfe der DTD erkannt werden • wird in Methode ignorableWhitespace() des DocumentHandlers weitergegeben • bei nichtvalidierenden Parsern unterschiedliche Behandlung Whitespace II • signifikant, z.B. Zeilenenden bei Quelltext, mehrere Leerzeichen zwischen Wörtern • keine Möglichkeit für den Parser, die Signifikanz zu erkennen • Lösung: entweder das Attribut xml:space="preserve" setzen oder die Daten in einem CDATA-Abschnitt kapseln DOM • Document Object Model • Standard vom W3C • 1998 DOM Level 1, DOM Level 2 Proposed Recommendation • Das DOM definiert mehrere Interfaces mit denen Daten in einer Baumstruktur beschrieben werden können. DOM Node nodeName parentNode childNodes ... getNodeName() getParentNode() getChildNodes() ... CharacterData data length Attr name value Text CDATASection Document doctype Element tagname ... DOM • • • • Alle Knoten von Node abgeleitet Funktionalität zum Traversieren des Baumes in Node spezifische Eigenschaften in abgeleiteten Klassen weitere Interfaces für Notation, Entity, EntityReference, ProcessingInstruction DOM • Beispiel: <?xml version="1.0"?> <!--DOM Demo--> <xdoc> <Begruessung>Hallo <laut>XML</laut> Parser! </Begruessung> <Applaus art="anhaltend"/> </xdoc> Document Version Comment Text Element Element Element Element Text Text DOM und XML-Parser • Die meisten Parser unterstützen ausschließlich DOM Level 1.0 • DOM Level 1.0 spezifiziert nur, wie man mit dem DOM arbeiten kann, nicht wie ein DOM aus einem XMLDokument erzeugt werden kann • Unterschiedliche Implementierungen zumeist auf Grundlage von SAX DOM und XML-Parser • Beispiel JAXP von Sun: DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance(); try { factory.setValidating(true); DocumentBuilder builder = factory.newDocumentBuilder(); Document document = builder.parse( new File(argv[0]) ); } catch (SAXParseException spe) { ... Fehlerbehandlung ausgeschnitten ... } DOM • Achtung: DOM wird komplett im Hauptspeicher gehalten • Bei Verarbeitung von großen Dokumenten mit wenig Arbeitsspeicher Performanceverlust wegen Auslagerung des Speichers XML-Parser in Java • • • • JAXP und Project X (Sun) Xerces-J (Apache) XP (James Clark) XML Parser v2 (Oracle) JAXP • Java API for XML Parsing • stellt Schnittstellen zum Parsen und Manipulieren von XML-Dokumenten zur Verfügung • zusammen mit Project X als Referenzimplementation eines Parsers • Java Optional Package mit Paketnamen javax.xml.parsers • Standarderweiterung des JDK, wird aber noch nicht zusammen damit ausgeliefert JAXP • Interfaces: – – – – – – SAXParserFactory SAXParser DocumentBuilderFactory DocumentBuilder FactoryConfigurationError ParserConfigurationException JAXP • Voraussetzungen, um einen Parser in das JAXP-Interface "pluggen" zu können: – Er muß als character set encodings mindestens ascii, UTF8 und UTF16 unterstützen – Er muß ein Dokument auf seine Wohlgeformtheit überprüfen können – Er muß ein Dokument auf seine Gültigkeit anhand einer DTD überprüfen können JAXP - Project X • • • • • • Project X 1998 als Technology Release 1 1999 Technology Release 2 2000 Referenzimplementation für JAXP erster schneller Parser validierender und nichtvalidierender Parser Unterstützung von SAX 1.0, DOM Level 1.0 und XML Namespaces • nicht open source, aber Community Source License JAXP - Project X • Vorteile: – hohe Konformität zum XML-Standard – hohe Geschwindigkeit – gute Dokumentation ( Tutorial, Beispiele, source code ) Xerces-J • • • • • • xml.apache.org Projekt entstanden aus dem IBM XML4J XML4J gibt es weiterhin und baut auf Xerces-J auf aktuelle Version 1.2.1 bietet validierende und nichtvalidierende Parser unterstützt SAX 1.0 und 2.0, DOM Level 1, DOM Level 2 beta • ansatzweise Unterstützung von XML-Schema Xerces-J • open source • gute Dokumentation • Achtung: Dieser Parser liest eine DTD, auch wenn er im nicht-validierenden Modus ist XP • Autor James Clark: Technical Editor der XMLSpezifikation • zwei Designziele: 100% konform zum XML-Standard und möglichst schnell • dafür Einschränkungen: – kein validierender Parser, – Unterstützung nur von SAX 1.0 – keine DOM-Unterstützung – nur 4 character encodings – ErrorHandling "brutal" XP • Dokumentation nur API-Doc • open source XML Parser v2 (Oracle) • validierende und nichtvalidierende Parser • Unterstützung von SAX 1.0 und DOM Level 1.0 • Besonderheit: XSLT Modul, mit dem sich XML mittels eines Stylesheets in HTML oder ein anderes Format umwandeln läßt. • Java Beans Komponenten(DOMBuilderBean, TreeViewBean, XSLBean) • kein open source, kein source code • Beispiele + API-Dokumentation Parsergenerator XMLBooster • generiert XML-Parser für vorher definierte Datenstrukturen in Java, C, C++, Cobol und Delphi • Zunächst Meta-Definition (proprietäres Format, DTDähnlich) für das benötigte XML-Format erstellen • Dann Parser generieren lassen und in eigene Anwendung integrieren • Falls ein geparstes Dokument nicht dem Format genügt, wird Fehlermeldung ausgegeben, ansonsten erhält man die in der Meta-Definition beschriebene Datenstruktur mit Inhalt zurück. Parsergenerator XMLBooster • Vorteile: – Geschwindigkeit – Daten gleich in eigener Datenstruktur verfügbar • Nachteile: – proprietäre Meta-Definition – nicht frei verfügbar Ende • Noch Fragen?