XML - 十分钟了解XML结构以及DOM和SAX解析方式

Posted 2022-12-02 来世当猪

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了XML - 十分钟了解XML结构以及DOM和SAX解析方式相关的知识，希望对你有一定的参考价值。

引言

NOKIA 有句著名的广告语：“科技以人为本”。任何技术都是为了满足人的生产生活需要而产生的。具体到小小的一个手机，里面蕴含的技术也是浩如烟海，是几千年来人类科技的结晶，单个人穷其一生也未必能掌握其一角。不过个人一直认为基本的技术和思想是放之四海而皆准的，许多技术未必需要我们从头到尾再研究一遍，我们要做的就是站在巨人的肩膀上，利用其成果来为人们的需求服务。

随着移动互联网时代的大潮，越来越多的App不光是需要和网络服务器进行数据传输和交互，也需要和其他 App 进行数据传递。承担App与网络来进行传输和存储数据的一般是XML或者JSON。在移动互联网时代，XML和JSON很重要。

最近一段时间，个人综合了之前对XML、JSON的一些了解，参考了相关资料，再结合视频的代码，把自己的一些思考融入了这篇总结文档中，同时尝试用通俗诙谐的语言风格来阐述，期望能给感兴趣的读者带来帮助。

为了不和时代落伍，我们必须要学习 XML 和 JSON，但同时它们也很容易学习，Let’s start:–)

一、XML

XML即可扩展标记语言(eXtensible Markup Language)。标记是指计算机所能理解的信息符号，通过此种标记，计算机之间可以处理包含各种信息的文章等。如何定义这些标记，既可以选择国际通用的标记语言，比如html，也可以使用象XML这样由相关人士自由决定的标记语言，这就是语言的可扩展性。XML是从SGML中简化修改出来的。它主要用到的有XML、XSL和XPath等。

上面这段是对XML的一个基本定义，一个被广泛接受的说明。简单说，XML就是一种数据的描述语言，虽然它是语言，但是通常情况下，它并不具备常见语言的基本功能——被计算机识别并运行。只有依靠另一种语言，来解释它，使它达到你想要的效果或被计算机所接受。

记住以下几点就行了：

XML是一种标记语言，很类似HTML
XML的设计宗旨是传输数据，而非显示数据
XML标签没有被预定义。您需要自行定义标签。
XML被设计为具有自我描述性。
XML是W3C的推荐标准

总结：

XML是独立于软件和硬件的信息传输工具。目前，XML在Web中起到的作用不会亚于一直作为 Web 基石的 HTML。 XML无所不在。XML是各种应用程序之间进行数据传输的最常用的工具，并且在信息存储和描述领域变得越来越流行。

1.1 XML属性

1.1.1 XML与HTML的主要差异

XML不是HTML的替代。
XML和HTML为不同的目的而设计。
XML被设计为传输和存储数据，其焦点是数据的内容。
HTML被设计用来显示数据，其焦点是数据的外观。
HTML旨在显示信息，而 XML 旨在传输信息

1.1.2 XML是不作为的。

也许这有点难以理解，但是XML不会做任何事情。XML被设计用来结构化、存储以及传输信息。
下面是John写给George的便签，存储为XML：

<note>
<to>George</to>
<from>John</from>
<heading>Reminder</heading>
<body>Don't forget the meeting!</body>
</note>

上面的这条便签具有自我描述性。它拥有标题以及留言，同时包含了发送者和接受者的信息。但是，这个 XML 文档仍然没有做任何事情。它仅仅是包装在XML标签中的纯粹的信息。我们需要编写软件或者程序，才能传送、接收和显示出这个文档。

1.1.3 XML仅仅是纯文本

XML没什么特别的。它仅仅是纯文本而已。有能力处理纯文本的软件都可以处理XML。不过，能够读懂 XML 的应用程序可以有针对性地处理 XML 的标签。标签的功能性意义依赖于应用程序的特性。

1.1.4 XML允许自定义标签

上例中的标签没有在任何XML标准中定义过（比如和）。这些标签是由文档的创作者发明的。这是因为XML没有预定义的标签。

在HTML中使用的标签（以及HTML的结构）是预定义的。HTML文档只使用在HTML标准中定义过的标签

XML允许创作者定义自己的标签和自己的文档结构。

1.1.5 XML不是对HTML的替代

XML是对HTML的补充。

XML不会替代HTML，理解这一点很重要。在大多数 web 应用程序中，XML用于传输数据，而HTML用于格式化并显示数据。

1.2 XML的语法
XML的语法规则很简单，且很有逻辑。这些规则很容易学习，也很容易使用。

1.2.1 所有元素都必须有关闭标签
在XML中，省略关闭标签是非法的。所有元素都必须有关闭标签。在HTML，经常会看到没有关闭标签的元素：

<p>This is a paragraph
<p>This is another paragraph

在XML中，省略关闭标签是非法的。所有元素都必须有关闭标签：

<p>This is a paragraph</p>
<p>This is another paragraph</p>

注释：您也许已经注意到XML声明没有关闭标签。这不是错误。声明不属于XML本身的组成部分。它不是XML元素，也不需要关闭标签。

1.2.2 XML标签对大小写敏感

XML元素使用XML标签进行定义。

XML标签对大小写敏感。在XML中，标签与标签是不同的。

必须使用相同的大小写来编写打开标签和关闭标签：

<Message>这是错误的。</message>
<message>这是正确的。</message>

1.2.3 XML标签对大小写敏感

在 HTML 中，常会看到没有正确嵌套的元素：

<b><i>This text is bold and italic</b></i>

在 XML中，所有元素都必须彼此正确地嵌套：

<b><i>This text is bold and italic</i></b>

在上例中，正确嵌套的意思是：由于元素是在元素内打开的，那么它必须在元素内关闭。

1.2.4 XML文档必须有根元素

XML文档必须有一个元素是所有其他元素的父元素。该元素称为根元素。

<root>
  <child>
    <subchild>.....</subchild>
  </child>
</root>

1.2.5 XML的属性值须加引号

与 HTML 类似，XML 也可拥有属性（名称/值的对）。在 XML 中，XML 的属性值须加引号。请研究下面的两个 XML 文档。第一个是错误的，第二个是正确的：

<note date=08/08/2008>
<to>George</to>
<from>John</from>
</note> 

<note date="08/08/2008">
<to>George</to>
<from>John</from>
</note>

1.2.6 实体引用

在 XML 中，一些字符拥有特殊的意义。如果你把字符 “<” 放在 XML 元素中，会发生错误，这是因为解析器会把它当作新元素的开始。这样会产生 XML 错误：

<message>if salary < 1000 then</message>

为了避免这个错误，请用实体引用来代替 “<” 字符：

<message>if salary &lt; 1000 then</message>

在 XML 中，有 5 个预定义的实体引用：
< < 小于
> > 大于
& & 和号
’ ’ 单引号
" ” 引号
注释：在 XML 中，只有字符 “<” 和 “&” 确实是非法的。大于号是合法的，但是用实体引用来代替它是一个好习惯。

1.2.7 XML中的注释

在 XML 中编写注释的语法与 HTML 的语法很相似：

<!-- This is a comment -->

在 XML 中，空格会被保留 HTML 会把多个连续的空格字符裁减（合并）为一个：

HTML:   Hello           my name is David.

输出: Hello my name is David. 在 XML 中，文档中的空格不会被删节。

1.2.8 以 LF 存储换行

在 Windows 应用程序中，换行通常以一对字符来存储：回车符 (CR) 和换行符 (LF)。这对字符与打字机设置新行的动作有相似之处。在 Unix 应用程序中，新行以 LF 字符存储。而 Macintosh 应用程序使用CR来存储新行。

1.3 XML CDATA

所有XML文档中的文本均会被解析器解析。

只有CDATA区段（CDATA section）中的文本会被解析器忽略。

1.3.1 PCDATA

PCDATA指的是被解析的字符数据（Parsed Character Data）。
XML解析器通常会解析XML文档中所有的文本。当某个XML元素被解析时，其标签之间的文本也会被解析：

<message>此文本也会被解析</message>

解析器之所以这么做是因为 XML 元素可包含其他元素，就像这个例子中，其中的元素包含着另外的两个元素(first和last)：

<name><first>Bill</first><last>Gates</last></name>

而解析器会把它分解为像这样的子元素：

<name>
   <first>Bill</first>
   <last>Gates</last>
</name>

1.3.2 转义字符
非法的XML字符必须被替换为实体引用（entity reference）。

假如您在XML文档中放置了一个类似 “<” 字符，那么这个文档会产生一个错误，这是因为解析器会把它解释为新元素的开始。因此你不能这样写：

<message>if salary < 1000 then</message>

为了避免此类错误，需要把字符 “<” 替换为实体引用，就像这样：

<message>if salary &lt; 1000 then</message>

在 XML 中有 5 个预定义的实体引用：

&lt;    <   小于
&gt;    >   大于
&amp;   &   和号
'  '   省略号
&quot;  "   引号

注释：严格地讲，在XML中仅有字符”<“和”&“是非法的。省略号、引号和大于号是合法的，但是把它们替换为实体引用是个好的习惯。

1.3.3 CDATA

术语CDATA指的是不应由XML解析器进行解析的文本数据（Unparsed Character Data）。

在 XML 元素中，”<“ 和 ”&“ 是非法的。

“<” 会产生错误，因为解析器会把该字符解释为新元素的开始。 “&” 也会产生错误，因为解析器会把该字符解释为字符实体的开始。

某些文本，比如 javascript 代码，包含大量 “<” 或 “&” 字符。为了避免错误，可以将脚本代码定义为 CDATA。 CDATA 部分中的所有内容都会被解析器忽略。 CDATA 部分由 “

<?xml version="1.0" encoding="utf-8"?>
<response> 
  <header> 
    <respcode>0</respcode>  
    <total>1736</total> 
  </header>  
  <result> 
    <album> 
      <album_id>320305900</album_id>  
      <title> <![CDATA[ 电影侃侃之初恋永不早 ]]> </title>  
      <tag> <![CDATA[ 18岁以上 当代 暧昧 华语 ]]> </tag>  
      <img>http://pic9.qiyipic.com/image/20141016/ec/e0/v_108639906_m_601_120_160.jpg</img>  
      <img180236>http://pic9.qiyipic.com/image/20141016/ec/e0/v_108639906_m_601_180_236.jpg</img180236>  
      <img11577>http://pic9.qiyipic.com/image/20141016/ec/e0/v_108639906_m_601_115_77.jpg</img11577>  
      <img220124>http://pic9.qiyipic.com/image/20141016/ec/e0/v_108639906_m_601_284_160.jpg</img220124>  
      <category_id>1</category_id>  
      <score>0.0</score>  
      <voters>0</voters>  
      <tv_sets>0</tv_sets>  
      <duration>00:38:57</duration>  
      <year> <![CDATA[ 2014 ]]> </year>  
      <tv_focus>跟爱情片学把妹心经</tv_focus>  
      <episode_count>1</episode_count>  
      <directors> <![CDATA[ 关雅荻 ]]> </directors>  
      <mainactors> <![CDATA[ 关雅荻 ]]> </mainactors>  
      <actors> <![CDATA[ ]]> </actors>  
      <vv2> <![CDATA[ 15 ]]> </vv2>  
      <timeText> <![CDATA[ 今天 ]]> </timeText>  
      <first_issue_time> <![CDATA[ 2014-10-16 ]]> </first_issue_time>  
      <up>0</up>  
      <down>0</down>  
      <download>1</download>  
      <purchase_type>0</purchase_type>  
      <hot_or_new>0</hot_or_new>  
      <createtime>2014-10-16 12:25:08</createtime>  
      <purchase>0</purchase>  
      <desc> <![CDATA[
本期节目主持人介绍新近上映的口碑爱情片，。主持人轻松幽默的罗列出胡鳄鱼导演拍摄的爱情片越来越接地气，博得观众的认同和追捧，更提出“初恋永远不嫌早”的口号。观众可以跟着爱情片学习把妹心经。
]]> </desc>  
      <ip_limit>1</ip_limit>  
      <episodes/> 
    </album> 
  </result> 
</response>

这是展示一部电影的具体数据，包括标题、介绍、内容、导演、演员、时长、上映年份等很多内容。

1.5 XML树结构

XML文档形成了一种树结构，它从“根部”开始，然后扩展到“枝叶”。
1.5.1 一个XML文档实例

XML使用简单的具有自我描述性的语法：

<?xml version="1.0" encoding="ISO-8859-1"?>
<note>
<to>George</to>
<from>John</from>
<heading>Reminder</heading>
<body>Don't forget the meeting!</body>
</note>

第一行是XML声明。它定义XML的版本(1.0)和所使用的编码(ISO-8859-1=Latin-1/西欧字符集)。
下一行描述文档的根元素（像在说：“本文档是一个便签”）：

<note>

接下来 4 行描述根的 4 个子元素（to, from, heading 以及 body）：

<to>George</to>
<from>John</from>
<heading>Reminder</heading>
<body>Don't forget the meeting!</body>

最后一行定义根元素的结尾：

</note>

从本例可以设想，该XML文档包含了John给George的一张便签。
XML具有出色的自我描述性，你同意吗？
XML文档形成一种树结构
XML文档必须包含根元素。该元素是所有其他元素的父元素。
XML文档中的元素形成了一棵文档树。这棵树从根部开始，并扩展到树的最底端。

所有元素均可拥有子元素：

<root>
  <child>
    <subchild>.....</subchild>
  </child>
</root>

父、子以及同胞等术语用于描述元素之间的关系。父元素拥有子元素。相同层级上的子元素成为同胞（兄弟或姐妹）。
所有元素均可拥有文本内容和属性（类似HTML中）。

1.6 XML DOM
这是解析XML的两种解析方式

想到这里，大家都有点迫不及待了，XML 文件到底如何解析呢？

但是，别急，让子弹先飞会儿:–)

在XML解析之前，我们必须系统性的学习一下 XML DOM 知识：

1.6.1 定义

XML DOM(XML Document Object Model) 定义了访问和操作XML文档的标准方法。

DOM把XML文档作为树结构来查看。能够通过DOM树来访问所有元素。可以修改或删除它们的内容，并创建新的元素。元素，它们的文本，以及它们的属性，都被认为是节点。

XML DOM是：

用于XML的标准对象模型
用于XML的标准编程接口
中立于平台和语言
W3C的标准

XML DOM定义了所有XML元素的对象和属性，以及访问它们的方法（接口）。

换句话说：
XML DOM是用于获取、更改、添加或删除XML元素的标准
DOM将XML文档作为一个树形结构，而树叶被定义为节点。
1.6.2 总结
XML DOM其实比较复杂，在这么短的篇幅里也无法一一进行讲解。想详细了解XML DOM可以好好去学习下

实例代码：
book.xml

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

<书架> 
  <书> 
    <书名>Java就业培训教程</书名>  
    <作者>张孝祥</作者>  
    <售价>39.00元</售价> 
  </书>  
  <书> 
    <书名>JavaScript网页开发</书名>  
    <作者>张孝祥</作者>  
    <售价>28.00元</售价> 
  </书> 
</书架>

dom4j解析

package com.itheima.dom4j;

import org.dom4j.Document;
import org.dom4j.Element;
import org.dom4j.io.SAXReader;

public class Dom4jDemo1 
    public static void main(String[] args) throws Exception 
        //1.获取解析器
        SAXReader reader = new SAXReader();
        //2.解析xml获取代表整个文档的dom对象
        Document dom = reader.read("book.xml");
        //3.获取根节点
        Element root = dom.getRootElement();
        //4.获取书名进行打印
        String bookName = root.element("书").element("书名").getText();
        System.out.println(bookName);

先获取解析器，然后read所要解析的xml,获取到了所有元素，在通过rootElement获取到根节点，获取到根节点过后进行解析

Sax解析方式

        //1.获取解析器工厂
        SAXParserFactory factory = SAXParserFactory.newInstance();
        //2.通过工厂获取sax解析器
        SAXParser parser = factory.newSAXParser();
        //3.获取读取器
        XMLReader reader = parser.getXMLReader();
        //4.注册事件处理器
        reader.setContentHandler(new MyContentHandler2() );
        //5.解析xml
        reader.parse("book.xml");

class MyContentHandler implements ContentHandler

    public void startDocument() throws SAXException 
        System.out.println("文档解析开始了.......");
    

    public void startElement(String uri, String localName, String name,
            Attributes atts) throws SAXException 
        System.out.println("发现了开始标签,"+name);
    

    public void characters(char[] ch, int start, int length)
        throws SAXException 
        System.out.println(new String(ch,start,length));
    

    public void endElement(String uri, String localName, String name)
        throws SAXException 
        System.out.println("发现结束标签,"+name);
    


    public void endDocument() throws SAXException 
        System.out.println("文档解析结束了.......");

获取到解析器工厂，通过工厂获取sax解析器，获取读取器，注册处理器，并解析xml

解析思想:
dom解析
sax解析

基于这两种解析思想市面上就有了很多的解析api
    sun jaxp既有dom方式也有sax方式,并且这套解析api已经加入到j2se的规范中,意味这不需要导入任何第三方开发包就可以直接使用这种解析方式.但是这种解析方式效率低下,没什么人用.
    dom4j 可以使用dom方式高效的解析xml.
    pull

!!dom4j
导入开发包,通常只需要导入核心包就可以了,如果在使用的过程中提示少什么包到lib目录下在导入缺少的包即可

Schema – xml的约束技术 — 需要掌握名称空间的概念,会读简单的Schema就可以了,不需要大家自己会写

Schema是xml的约束技术,出现的目的是为了替代dtd
本身也是一个xml,非常方便使用xml的解析引擎进行解析
对名称空间有非常好的支持
支持更多的数据类型,并且支持用户自定义数据类型
可以进行语义级别的限定,限定能力大大强于dtd
相对于dtd不支持实体
相对于dtd复杂的多,学习成本比较的高

如何在xml中引入Schema --- !!!!!名称空间的概念:全世界独一无二的名字,用来唯一的标识某个资源,通常是公司的域名,只是名字而已并不真的表示资源的位置.


~~~ Schema的语法---参照Schema的文档,了解即可

以上是关于XML - 十分钟了解XML结构以及DOM和SAX解析方式的主要内容，如果未能解决你的问题，请参考以下文章

XML.03-DOM和SAX解析

Java web——xml文件读取的解析方式（DOM和SAX）

IOS中的XML解析之DOM和SAX

XML解析-- DOM , SAX, JDOM ,JAXB, DOM4j

XML 试题

Java 中，DOM 和 SAX 解析器有什么不同？