IDUL 09 XML DATA BASE E LINGUAGGI DI MARCATURA Una base di dati organizza dati altamente strutturati ed interconnessi in modo non sequenziale. Poco adatta a rappresentare informazioni non strutturate, o altamente sequenziali (come quelle di un testo), o con scarse dipendenze interne. DATA BASE E LINGUAGGI DI MARCATURA Nel caso di un testo, le informazioni in esso contenute possono essere organizzate tramite linguaggi di marcatura. Con tali linguaggi si può effettuare una “codifica ad alto livello” Contrapposta alla “codifica a livello zero” = resa dei caratteri tramite ascii, unicode, ecc. Invece di inserire i dati in un DB, si inserisce una codifica “intorno” alla informazione da segnalare. MOTIVI DELLA CODIFICA AD ALTO LIVELLO In un testo i dati linguistici sono correlati secondo piani di organizzazione multipli struttura del testo struttura del contesto l’autore, la data di produzione, la finalità del testo, ecc. struttura linguistica (implicita nel testo!!) l’ articolazione in sezioni, capitoli, titoli, ecc. Lingua del testo, differenza testo/citazione … informazioni morfologiche, sintattiche, semantiche Strutture retoriche, argomentative, … La codifica esplicita di informazione su un testo viene detta annotazione (o “markup”) del testo. COME CODIFICARE? Quali passi seguire per effettuare una annotazione? Individuare il livello di informazione da codificare (p.es. strutturale, linguistica, ecc.) Definire il repertorio dei tratti giudicati rilevanti per la codifica Scegliere un formato per associare la annotazione al testo SCELTA DELLE INFORMAZIONI DA ANNOTARE: ESEMPIO Codifica morfo-sintattica oggetto: codificare esplicitamente la categoria grammaticale e le proprietà morfologiche delle parole di un testo. Da definire: quali attributi codificare (cat. grammaticale, persona, genere, numero, caso, ecc.) quali attributi sono compatibili (p.es. non ha senso marcare “Caso” su un elemento marcato “avverbio”) quali valori possono avere i diversi attributi (numero = SING, PLUR; caso = NOM, GEN, ecc.) Cosa fare con elementi ambigui (per es. come codificare “che” in “Che roba!”, “dico che piove”?) e come specificare eventuali valori disgiuntivi (“X è CONG oppure PRON”) Quali criteri di applicazione al testo delle categorie selezionate: attribuire la codifica a tutto il testo, o a una parte? Fino a che livello di dettaglio? Esempio: categorie morfologiche per l’italiano (Rank Xerox Research Centre) TAG | DESCRIPTION | EXAMPLE ---------------- +--------------------------------------+--------------------NSG | singular noun | casa, balsamo NPL | plural noun | case, ventottesimi PROP | proper name | Bernardo, Monte Isola ---------------- +--------------------------------------+--------------------ADJSG | singular adjective | buono, narcisistico ADJPL | plural adjective | belle, trecentocinquesimi ---------------- +--------------------------------------+--------------------VAUXINF | infinitive auxiliary "essere"/"avere" | esser, essere, aver, avere VAUXF | finite auxiliary "essere" or "avere" | è, sarò, saranno, avrete VAUXGER | gerund auxiliary "essere" or "avere" | essendo, avendo VAUXGER_CLIT | gerund auxiliary + clitic | essendogli VAUXIMP | imperative auxiliary | sii, sia, abbi, abbiamo VAUXIMP_CLIT | imperative auxiliary + clitic | siategliene, abbiatemi VAUXPPSG | singular past participle auxiliary | stato/a, avuto/a VAUXPPPL | plural past participle auxiliary | stati/e, avuti/e VAUXPPSG_CLIT | sg. past part. auxiliary + clitic | statone, avutavela VAUXPPPL_CLIT | pl. past part. auxiliary + clitic | statine, avutiti VAUXPRPARTSG | singular present participle auxiliary | essente, avente VAUXPRPARTPL | plural present participle auxiliary | essenti, aventi ---------------- +--------------------------------------+--------------------VINF | verb infinitive | sciupare, trascinar VINF_CLIT | verb infinitive + clitic | spulciarsi, risucchiarsi VF | finite verb form | blatereremo, rantolo VF_CLIT | finite verb + clitic | trattansi, leggevansi … |… |… REQUISITI PER LA CODIFICA Dovendo associare altre informazioni al testo, alcuni requisiti generali: 1. Mantenere una chiara divisione tra il testo e la annotazione relativa (informazione vs. metainformazione); Esempio negativo: “Come Cong. andò V_intr che Cong. Maestro N … “ 2. 3. 4. 5. 6. 7. Permettere di scorporare testo e annotazione; Avere annotazioni ragionevolmente autoesplicative; Non consumare troppo spazio; Permettere all’utente facili aggiunte/modifiche Permettere l’uso del testo annotato su una varietà di sistemi informatici (tramite “formati aperti”) Limitare la obsolescenza (del formato dati e del supporto di registrazione) ASSOCIARE TESTO E CODIFICA i linguaggi di marcatura Codifica di alto livello con linguaggi di markup (linguaggi di marcatura) un testo codificato con un linguaggio di marcatura è in formato “solo testo” (tutti caratteri stampabili) buona interoperabilità Scarsa obsolescenza (specie se associato ad uno standard e non semplicemente ad un software) l’informazione strutturale è rappresentata attraverso l’aggiunta al testo di etichette (o tag) di marcatura, chiaramente identificabili Buona distinzione testo/metatesto Non un buon modo per risparmiare spazio (ma esiste sempre la possibilità di comprimere il file; non un problema di conservazione con gli hardware attuali; problema, in caso, di trasmissione via rete) INSERIMENTO DELLA MARCATURA Editor di testo Programmi per caricare, scrivere o modificare testi in formato ASCII (Latin-1 / UNICODE) Funzioni di stampa ridotte all’osso (niente formattazione del carattere, paragrafo, …) Funzioni anche molto sofisticate di manipolazione del testo (ricerca/sostituzione avanzata, macro, …) Sensibili alla sintassi di vari tipi di file di testo (linguaggi di programmazione, HTML, …) EDITOR DI TESTO Editor di testo Programmi per caricare, scrivere o modificare testi in formato ASCII (Latin-1 / UNICODE) Funzioni di stampa ridotte all’osso (niente formattazione del carattere, paragrafo, …) Funzioni anche molto sofisticate di manipolazione del testo (ricerca/sostituzione avanzata, macro, …) Sensibili alla sintassi di vari tipi di file di testo (linguaggi di programmazione, HTML, …) EDITOR DI TESTO “MINIMO” “Blocco note” (ingl. “Notepad”) di Windows. Editor minimalista, distribuito con Windows. Legge di base file con suffisso .txt Nessuna funzione sofisticata Nessuna sensibilità al tipo di file Conosce UNICODE Problemi nel trattamento di file non-windows EDITOR: Scite Vedi http://www.scintilla.org/SciTE.html Emacs Probabilmente il più potente editor esistente. Può essere esteso dagli utenti per usi vari; modulare Sofisticata serie di comandi sul testo (macro, espressioni regolari, …) Gratuito, con codice a disposizione (“open source”) Due versioni: GNU Emacs (1976 Richard Stallman) e Xemacs Disponibile per UNIX, Windows, Mac, … Interfaccia prevalentemente non grafica; ben documentata ma difficile da imparare EDITOR: EMACS Vedi http://www.gnu.org/software/emacs/ DUE TIPI DI MARCATURA DEL TESTO Marcatura procedurale (detta anche marcatura tipografica) che consiste in una serie di istruzioni operative che forniscono le specifiche di formattazione e impaginazione del testo per la visualizzazione e la stampa (vedremo in seguito LaTeX) Marcatura dichiarativa (detta anche marcatura logica o descrittiva) dove i codici di marcatura indicano la funzione assolta dal blocco di testo a cui si riferiscono, ad esempio titolo, paragrafo, nota, citazione ecc. senza fornire indicazione di come tali elementi del testo dovranno apparire fisicamente sulla pagina o sul video (es. SGML, XML) Marcatura dichiarativa: vantaggi facilità nella creazione: l’autore si concentra sul ruolo organizzativo delle singole parti di testo, piuttosto che sul loro aspetto stampato indipendenza dalla formattazione: riformattare un documento secondo nuove regole richiede semplicemente di ricodificare dei parametri esterni, non di modificare in alcuna maniera il testo codificato flessibilità: riusare un testo codificato in un nuovo contesto è facile, perché non è necessario rimuovere la vecchia informazione per far posto alla nuova visioni di documenti dinamicamente riconfigurabili: è possibile selezionare viste diverse dello stesso documento L’XML (eXtensible Markup Language) è un nuovo linguaggio di markup sviluppato dallo XML Working Group del W3C a partire dal 1996 XML è uno dei più importanti sviluppi nella storia della computazione. Negli ultimi anni è stato adottato in campi molto diversi tra loro: legge, aeronautica, finanza, sicurezza, robotica, turismo, arte, design del software, fisica, letteratura, … XML è nato dallo sforzo di dare forza e struttura all’SGML (“Standard Generalized Markup Language”, ISO standard: ISO 8879:1986) nel web, in una forma che fosse però abbastanza semplice per gli utenti non esperti. L’XML (eXtensible Markup Language) è un linguaggio di markup sviluppato dallo XML Working Group del W3C a partire dal 1996 XML è uno dei più importanti sviluppi nella storia della computazione. Negli ultimi anni è stato adottato in campi molto diversi tra loro: legge, aeronautica, finanza, sicurezza, robotica, turismo, arte, design del software, fisica, letteratura, … XML è nato dallo sforzo di dare forza e struttura all’SGML (“Standard Generalized Markup Language”, ISO standard: ISO 8879:1986) nel web, in una forma che fosse però abbastanza semplice per gli utenti non esperti. XML XML nasce dalla lunga storia dei sistemi di elaborazione di testi allo scopo di permettere l’elaborazione delle informazioni piuttosto che la loro visualizzazione in un documento XML, quindi, non e’ necessario fare alcun riferimento al modo in cui le informazioni verranno visualizzate: le regole per la visualizzazione saranno inserite in un foglio esterno chiamato foglio di stile (ingl. “Stylesheet”) XML permette all’utente di definire il proprio insieme di tag (elementi) e in questo senso può essere considerato un meta-markup language: i tag definiti dall’utente possono avere dei nomi che rispecchiano il contenuto del documento stesso Le specifiche complete dell’ XML 1.0 sono sul web (in italiano a http://www.xml.it:23456/XML/REC-xml-19980210-it.html) Struttura logica generale dei tag XML (HTML/SGML) <marcatore>testo a cui si riferisce</marcatore> <marcatore attributo=“valore”>testo a cui si riferisce</marcatore> <marcatore_aperto_e_chiuso/> Oltre al termine “marcatore” si usa “etichetta” o l’inglese “tag”; il termine tecnico è “elemento” A differenza che in SGML ed in HTML, in XML ogni marcatore aperto deve essere chiuso (XML è più restrittivo di SGML) Markup XML per codifica strutturale <libro> <titolo>Le avventure di Pinocchio <sottotitolo>Storia di un burattino</sottotitolo> </titolo> <autore>Carlo Collodi</autore> <parte p_id=”1”> <titolo>Parte prima</titolo> <capitolo c_id=”I”> <titolo> Come andò che maestro Ciliegia, falegname, trovò un pezzo di legno, che piangeva e rideva come un bambino.</titolo> <capoverso num=”p1c1c1”>C'era una volta...</capoverso> <capoverso num=”p1c1c2”>- Un re! - diranno subito i miei piccoli lettori.</capoverso> <capoverso num=”p1c1c3”>No, ragazzi, avete sbagliato. C'era una volta un pezzo di legno.</capoverso> <capoverso num=”p1c1c4”>Non era un legno di lusso, ma un semplice pezzo da catasta, di quelli che d'inverno si mettono nelle stufe e nei caminetti per accendere il fuoco e per riscaldare le stanze.</capoverso> </capitolo></parte> </libro> Markup doppio markup per la codifica di informazione strutturale + markup (parziale) per la codifica di informazione linguistica <libro> … <parte> <capitolo c_id=”I”> <titolo>Come <parola cat=“V” tempo=“passRem”>andò</parola> che <parola cat=“N” genere=“m” num=“s”>maestro</parola> Ciliegia, falegname, trovò <sintagma tipo=”nominale”><parola cat=“artInd” genere=m” num=“s”>un</parola> pezzo di legno</sintagma>, che piangeva e rideva come un bambino. </titolo> … </capitolo></parte> </libro> Problema: Markup incrociato Con la presenza di markup multiplo si pone il problema delle etichette incrociate <pagina pag_n=“1”>…Non era un legno di lusso, ma un semplice pezzo da catasta, di quelli <frase-rel>che d'inverno si mettono nelle stufe</pagina><pagina pag_n=“2> e nei caminetti per accendere il fuoco e per riscaldare le stanze.</frase-rel> <grassetto>AAA<corsivo>BBB</grassetto>CCC…</corsivo> La sintassi dell’ XML non permette questi incroci!!! (e neanche quella dell’ HTML, anche se i browser sono a questo proposito molto accomodanti) Principali differenze fra HTML e XML XML non è un sostituto del HTML: XML e HTML sono stati pensati per scopi diversi. XML è pensato per descrivere dati e porre l'attenzione su cosa sono (marcatura dichiarativa) HTML è pensato per visualizzare dati e porre l'attenzione su come presentarli (marcatura mista procedurale/dichiarativa) Tuttavia, è possibile tradurre tutto l’HTML in XML: il risultato si chiama XHTML HTML + Browser: sistema di visualizzazione di dati; XML + Processore XML + Applicazione = formato dati generale SGML HTML XHTML XML Le parti di un progetto XML Un documento in XML è in realtà la combinazione di tre parti. Ci riferiamo ad esse come tre documenti separati; spesso, ma non necessariamente, sono anche file separati in maniera fisica. 1. 2. 3. Un documento dei contenuti cioé la parte che l’autore vuole esporre a chi la visualizza o utilizza; Un documento DTD (Document Type Definition) che specifica i macatori usati e la loro sintassi; Uno stylesheet (foglio di stile) che stabilisce come verrà visualizzato e presentato il contenuto. La DTD è opzionale e spesso viene caricata direttamente dal web tramite una chiamata all’interno del documento dei contenuti (meccanismo dei “Namespace”) Il foglio di stile è opzionale, e superfluo se il contenuto non deve essere visualizzato in modo particolare. XML Un documento XML è costituito da composizioni di stringhe, ovvero sequenze di caratteri UNICODE. Caratteristica di XML è quella di essere CASE SENSITIVE, ovvero di fare differenza tra lettere maiuscole e minuscole. Pertanto il tag "Pino" è diverso dai tag "pino", "pIno", "PINO", ecc. Parti di un documento XML Un documento XML si compone di due parti principali: il "PROLOG“ contiene: dichiarazione della versione di XML; commenti (facoltativi); dichiarazione del DOCUMENT TYPE. il "DOCUMENT INSTANCE“ contiene i dati veri e propri. Esempio di Prolog un documento XML dovrebbe iniziare con <?xml version="1.0" encoding="…" standalone="yes" ?> se non si specifica il valore dell’attributo encoding la codifica è quella UNICODE standalone può assumere valori "yes" o "no" (il cui significato sarà chiaro in seguito) <?xml version="1.0"?> <!-- Documento di prova --!> <!DOCTYPE MEMO SYSTEM "memo.dtd"> nome del documento file con la descrizione della struttura Esempio di Document Instance Un documento XML è un documento di testo ed è formato da tag che una volta aperti devono SEMPRE essere chiusi <memo> <da> <nome>Ugo</nome> <email>[email protected]</email> </da> <a> <nome>Pina</nome> <email>[email protected]</email> </a> <oggetto>San Valentino</oggetto> <testo><paragrafo>Pina.... ti amo moltissimo! Tuo Ugo.</paragrafo> </testo> </memo> <?xml version="1.0" standalone="no" ?> <memo> <from> <name>Rossi</name> <email>[email protected]</email> </from> <to> <name>Verdi</name> <email>[email protected]</email> </to> <oggetto>Esempio in XML</oggetto> <body> <paragrafo>bla bla</paragrafo> <paragrafo>bla bla</paragrafo> </body> </memo> N.B. L’uso del rientro variabile (“indentation”) non è parte della sintassi XML, ma un modo per aiutare gli esseri umani nella identificazione della struttura. Idem per l’uso dei colori, di grassetto, font, ecc. XML - struttura ad albero Un documento XML definisce una struttura ad albero che si ottiene esaminando le relazioni di annidamento che esistono tra i tag Deve esistere un solo tag che non sia all’interno di nessun altro. Questo tag definisce la radice dell’albero (“root”) (nellì’esempio, “memo”). memo name Rossi from email [email protected] to name Verdi email oggetto body [email protected] esempio in XML paragrafo bla bla paragrafo bla bla ROOT (“RADICE”) E COMPONENTI Ogni documento XML ben formato (“well-formed”) ha un solo elemento radice/root Gli elementi non ROOT sono chiamati COMPONENTI del documento. INGREDIENTI PRINCIPALI DI UN DOCUMENTO XML Elementi: identificano porzioni di testo o punti nel testo; possono contenere testo puro e/o altre etichette (cf. le cartelle di windows) Entità abbreviazioni per caratteri o espressioni varie; Commenti Attributi (e loro valori) ignorati dal processore, utili per l’autore definiti come proprietà degli elementi, ciascuno con un insieme di possibili valori; ENTITÀ PREDEFINITE Servono per far sì che i caratteri normalmente interpretati come MARKUP possano essere utilizzati come caratteri di testo (ad esempio per scrivere un manuale HTML). Sono i seguenti: & = & < = < > = > ' = ' " = " In generale le “entità” (sia predefinite che definite dall’utente hanno la forma &nome; ) COMMENTi All’interno di un documento XML posso aggiungere commenti, definiti come: “<!--” + Contenuto del commento + “-->” Esempio: <!-- dichiarazione per <head> & <body> --> I commenti sono “invisibili” al processore XML e servono solo per utenti umani. Eventuali tag all’interno non vengono processati Non possono essere inserite doppie linette “--” in un commento, se non alla fine, per chiuderlo. XML - ATTRIBUTI i tag XML possono avere uno o più attributi un attributo è una coppia nome="valori”, che viene associata al tag (prima di chiuderlo con “>”) <persona altezza="170cm" peso="60kg"> Mario Rossi </persona> il valore di un attributo va tra virgolette semplici (‘) o doppie (“) (attenzione alla sostituzione automatica di “ con ”!) XML – da non dimenticare… Virgolette necessarie nell’inserimento di attributi (“…” o ‘…’ ma mai misti: “…’ o ‘…”) Bilanciamento dei tags (se si apre il tag <img> deve essere anche chiuso da </img>; oppure si utilizzano tag vuoti (<hr></hr>, possibilmente compattati: <hr/>) Tag incassati - uso corretto: <h1> <a href=“percorso”> ecco il link </a> </h1> Tag incassati – uso non corretto (tag incrociati) <h1> <a href=“percorso”> ecco il link </h1> </a> Caratteri speciali devono comparire sempre con la loro sequenza vista in html: à si scrive con à > con > etc… XML è case sensitive: <img> è diverso da <IMG>!!! Esempio (negozi.xml) <?xml version="1.0" standalone="no" ?> <negozi> <citta nome="Trento"/> <negozio apertura="8.30-12.30/15.00-19.00" domenica="no"> <nome> Supermercati Poli </nome> <indirizzo tipo="completo"> <via> S.Pio X </via> <numero> 2 </numero> <zona> …… </zona> </indirizzo> <genere> Alimentare</genere> </negozio> <negozio apertura="8.00-12.00/15.00-19.00" domenica="si"> <nome> Ubiq </nome> <indirizzo tipo="ridotto"> <via> Corso 3 Novembre </via> <numero> 10 </numero> </indirizzo> <genere> Libreria </genere> <descrizione> …… </descrizione> </negozio> </negozi> Esempio 4: info come testo o come attributo? <?xml version="1.0" standalone="no" ?> <negozi> <negozio domenica="si"> <nome> Ubiq </nome> <indirizzo tipo="ridotto"> <via> Corso 3 Novembre </via> <numero> 10 </numero> </indirizzo> <apertura domenica=“si”>8.00-12.00/15.00-19.00</apertura> <genere> Libreria </genere> <descrizione> …… </descrizione> </negozio> </negozi> Un caso di informazione doppia: <parola cat=“num” val=“44”>quarantaquattro</parola><parola cat=“N”>gatti</parola> La DTD L'XML non è limitato a un insieme fisso di tipi di elementi, ma permette di definire e utilizzare elementi e attributi personalizzati; per far questo viene fornita una sintassi con cui è possibile specificare gli elementi e gli attributi che possono essere utilizzati all'interno dei documenti. In altre parole è possibile creare un modello, chiamato Document Type Definition (DTD), che descrive la struttura e il contenuto di una classe di documenti. DTD: Esempio antologia <antologia> <poesia><titolo>The SICK ROSE</titolo> <strofa> <verso>O Rose thou art sick.</verso> <verso>The invisible worm,</verso> <verso>That flies in the night</verso> <verso>In the howling storm:</verso> </strofa> <strofa> <verso>Has found out thy bed</verso> <verso>Of crimson joy:</verso> <verso>And his dark secret love</verso> <verso>Does thy life destroy.</verso> </strofa> </poesia> <!-- continua con altre poesie --> </antologia> Alcune caratteristiche per la definizione di “antologia di poesie” 1. 2. 3. 4. 5. 6. Una antologia contiene un certo numero di poesie e nient'altro. Una poesia contiene a volte un singolo elemento di titolo che precede la prima strofa, e non contiene mai nessun altro elemento. A parte il titolo, una poesia consiste solo di strofe. Una strofa consiste solo di versi ed ogni verso è contenuto in una strofa. Una strofa non può essere seguita da nulla tranne che da un'altra strofa, oppure dalla fine della poesia. Un verso non può essere seguito da nulla se non da un altro verso, oppure dall'inizio di una nuova strofa. Esempio DTD: Antologia <!ELEMENT antologia <!ELEMENT poesia <!ELEMENT titolo <!ELEMENT strofa <!ELEMENT verso (poesia+)> (titolo?, strofa+)> (#CDATA) > (verso+) > (#CDATA) > XML – documenti “well formed” un documento XML è ben formato se e solo se: tutti i suoi tag sono chiusi, nell’ordine corretto esiste un solo elemento radice i valori degli attributi sono scritti tra virgolette gli elementi non hanno due attributi con lo stesso nome i nomi degli elementi e degli attributi non contengono i caratteri < > & NB: i parser XML sono in grado di trattare solo i documenti XML ben formati la DTD L'XML ha una propria DTD (attualmente descritto nella specifica REC-xml-19980210) in cui vengono elencate le regole della specifica stessa del linguaggio. Con l'XML è anche introdotta una classe di documenti che fa riferimento alla sola DTD dell'XML; la creazione di una DTD personale non è quindi indispensabile. DTD type valid I documenti con le specifiche della DTD XML possono essere trovati agli indirizzi: http://www.w3c.org/XML/ La seguente URL contiene un controllore di validità http://www.stg.brown.edu/service/xmlvalid/ Se un documento è conforme alle specifiche di una DTD personale, allora si dice che è TYPE VALID ("valido"). Esempio di una DTD Per esempio, dato la seguente DTD personale: <!DOCTYPE persona [ <!ELEMENT persona (nome,cognome)> <!ELEMENT nome (#PCDATA)> <!ELEMENT cognome (#PCDATA)> ]> Documento type valid il seguente documento risulta TYPE VALID: <persona> <nome> Luigi </nome> <cognome> Rossi </cognome> </persona> Esempio 2 Consideriamo la seguente DTD, che definisce la struttura di un documento che contiene un indirizzo postale: <!DOCTYPE indirizzo [ <!ELEMENT indirizzo (nome, via, citta, stato, CAP)> <!ELEMENT nome (#PCDATA)> <!ELEMENT via (#PCDATA)> <!ELEMENT citta (#PCDATA)> <!ELEMENT stato (#PCDATA)> <!ELEMENT CAP (#PCDATA)> ]> Osservazioni Osservazioni: il nome del document type ("indirizzo") è puramente arbitrario, avremmo potuto scrivere anche “address" o altro...; il root element deve avere (obbligatoriamente) lo stesso nome del document type (nell' esempio, "indirizzo"); Osservazioni Una volta definito la DTD, un documento TYPE VALID di tipo "indirizzo“ avrà la seguente forma: <indirizzo> <nome> Giuseppe </nome> <via> Garibaldi </via> <città> Pinerolo (TO) </città> <stato> Italia </stato> <CAP> 12345 </CAP> </indirizzo> Dove si trova la DTD? la DTD di un file XML può trovarsi: DENTRO il file stesso (internal set): questo sistema comporta uno svantaggio in termini di condivisione in quanto la DTD non può essere usata per altri documenti XML simili; FUORI dal file (external set): qui, invece, la DTD è condivisibile e riutilizzabile. External set In caso di external set la DTD di riferimento viene caricata tramite il sistema operativo (SYSTEM) <!DOCTYPE label SYSTEM "/URL/della/risorsa">. La URL della risorsa può: essere un percorso sul file system locale. Esempio: <!DOCTYPE label SYSTEM "C:\mydocuments\xml\dtd\label.dtd"> oppure essere un indirizzo esterno: <!DOCTYPE label SYSTEM "http://www.lt-2002.com/indirizzo.dtd"> Chiaramente la seconda soluzione offre maggiore accessibilità. Tipi di content specification Abbiamo già visto un esempio di "content specification" quando abbiamo elencato gli elementi di "indirizzo": "nome", "via", "citta", "stato", "CAP“: <!ELEMENT nome (#PCDATA)> #PCDATA (“Parsed characted data”) indica un contenuto “misto” (testo e/o marcatori). Il processore XML analizzarà i marcatori, ma la DTD non ne specifica la struttura. Una specifica #CDATA, al contrario, indica al processore XML che non deve analizzare il contenuto, ma è tuttavia formato da caratteri Una specifica #NDATA indica invece che il contenuto di un tag potrebbe essere anche un file binario arbitrario (p.es. una immagine) Altri tipi di content specification TIPO CONTENUTO PERMESSO EMPTY (vuoto) nessuno ANY qualsiasi MIXED Dati o sotto-elementi ELEMENT SOLO sotto elementi Esempio TIPO COME SI DICHIARA EMPTY (vuoto) <!ELEMENT VUOTO1 EMPTY> ANY (qualunque cosa) <!ELEMENT QUI-QUO-QUA ANY> MIXED <!ELEMENT nome (RILIEVO)> <!ELEMENT RILIEVO (#PCDATA)> MIXED <!ELEMENT comm (#PCDATA | NOME)> ELEMENT <!ELEMENT label (nome,via,città,)> Elementi alternativi E` possibile specificare che un certo elemento può essere composto da uno di due elementi in alternativa: <!ELEMENT FIGURA (DIDASCALIA, (IMMAGINE|CODICE))> Questo esempio definisce l' elemento "figura" (per esempio di un libro) dicendo che una figura ha SEMPRE una didascalia più un'immagine o un pezzo di codice a scelta. Il numero degli elementi Per indicare opzionalità o ripetizioni si usano i modificatori già incontrati nelle espressioni regolari: ? ? = l' elemento che precede sarà presente da 0 a 1 volta * = l' elemento che precede sarà presente 0 o più volte + = l' elemento che precede sarà presente 1 o più volte Esempio: <!ELEMENT CAPITOLO <!ELEMENT PARAGRAFO <!ELEMENT note (titolo, sottotitolo?, paragrafo+)> (#PCDATA | note)*> (#PCDATA)> L' elemento “sottotitolo“, se c’è, è unico. L' elemento "paragrafo" deve essere presente per lo meno UNA volta. L' elemento "note" può essere ripetuto infinite volte oppure essere totalmente assente. DTD: Esempio antologia <antologia> <poesia><titolo>The SICK ROSE</titolo> <strofa> <verso>O Rose thou art sick.</verso> <verso>The invisible worm,</verso> <verso>That flies in the night</verso> <verso>In the howling storm:</verso> </strofa> <strofa> <verso>Has found out thy bed</verso> <verso>Of crimson joy:</verso> <verso>And his dark secret love</verso> <verso>Does thy life destroy.</verso> </strofa> </poesia> <!-- continua con altre poesie --> </antologia> Alcune caratteristiche per la definizione di “antologia di poesie” 1. 2. 3. 4. 5. 6. Una antologia contiene un certo numero di poesie e nient'altro. Una poesia contiene a volte un singolo elemento di titolo che precede la prima strofa, e non contiene mai nessun altro elemento. A parte il titolo, una poesia consiste solo di strofe. Una strofa consiste solo di versi ed ogni verso è contenuto in una strofa. Una strofa non può essere seguita da nulla tranne che da un'altra strofa, oppure dalla fine della poesia. Un verso non può essere seguito da nulla se non da un altro verso, oppure dall'inizio di una nuova strofa. Esempio Antologia <!ELEMENT antologia <!ELEMENT poesia <!ELEMENT titolo <!ELEMENT strofa <!ELEMENT verso (poesia+)> (titolo?, strofa+)> (#CDATA) > (verso+) > (#CDATA) > Con questi elementi possiamo dichiarare una poesia come composta da una o più strofe, versi liberi o quartine, definite ad esempio come: Notare la differenza tra: <!ELEMENT quartina (verso-1, verso-2, verso-3, verso-4)> <!ELEMENT poesia (titolo?, (strofa+ | quartina+ | verso+))> <!ELEMENT poesia (titolo?, (strofa+ | distico+ | verso+) ) > <!ELEMENT poesia (titolo?, (strofa | distico | verso)+ ) > Altro esempio: ritornello <!ELEMENT ritornello (verso+)> <!ELEMENT poesia (titolo?, ( verso+ | (ritornello?, (strofa, ritornello?)+ ))) > Attributi Come definire attributi in una DTD: <!ELEMENT poesia (titolo?, strofa+)> <!ATTLIST poesia iden ID #IMPLIED status (bozza | rivisto | pubblicato) "bozza" > L’attributo ident di “poesia” è di tipo ID e può mancare (essere implicito) L’attribito status di “poesia” ha 3 valori possibili: “bozza”, “rivisto” e “pubblicato”; se non è presente in valore da assumere è “bozza” Attributi: tipi di valori possibili CDATA: (character data) Il valore dell’attributo può contenere qualsiasi carattere valido, inclusi spazi e punteggiatura; PCDATA: (Parsed character data) Il valore dell’attributo può contenere qualsiasi carattere valido, inclusi spazi e punteggiatura; eventuali etichette comprese nel valore, possono essere riconosciute come tali dal parser XML; NMTOKEN: (named token) Il valore dell’attributo può contenere solo i caratteri che sono validi all’interno di un nome o di un identificatore generico; NMTOKENS: (named tokens) Il valore dell’attributo può contenere uno o più valori NMTOKEN separati da uno o più spazi bianchi; ID: (identifier ) Il valore dell’attributo deve essere una singola parola iniziante con un carattere alfabetico, che possa essere usata come identificatore univoco (un dato valore può essere usato una volta sola come valore di qualsiasi attributo ID); IDREF: (identifier reference) Il valore dell’attributo deve contenere una singola parola che è stata usata altrove come identificatore univoco di qualche elemento; IDREFS: (identifier references) Il valore dell’attributo può contenere uno o più valori IDREF separati da uno o più spazi bianchi; ENTITY: Il valore dell’attributo deve contenere un valore NMTOKEN precedentemente dichiarato come il nome di una entità XML (vedi oltre); ENTITIES: Il valore dell’attributo può contenere uno o più valori ENTITY, separati da uno o più spazi bianchi; Obbligatorietà dei valori 1. 2. 3. #REQUIRED: un valore deve essere specificato. #IMPLIED: non deve essere specificato nessun particolare valore. "valore di default“ Esempi: <!ATTLIST poesia iden ID #IMPLIED status (bozza | rivisto | pubblicato) #REQUIRED lingua CDATA “italiano”> Identificatori e riferimento <!ATTLIST poesia iden ID #IMPLIED > Attributo utile solo per elementi a cui pensiamo di dover poi far riferimento Esempio: <poesia iden=’ROSE’> <!-- Text of poem with identifier ’ROSE’ --> </poesia> <poesia iden=’P40’> <!-- Text of poem with identifier ’P40’ --> </poesia> <poesia> <!-- This poem has no identifier --> </poesia> Per far riferimento serve un elemento composto solo da un attributo di tipo IDREF: <!ELEMENT poesiaRef <!ATTLIST poesiaRef target Blake’s poem on the sick rose <poesiaRef target=’ROSE’/> EMPTY > IDREF #REQUIRED > Entità predefinite Le entità predefinite possono spesso rappresentare singoli caratteri, tramite il loro numero di codice (esprimibile con la forma: “&#num;” dove num è un numero di ASCII/Latin-1/UNICODE…) <!ENTITY lt "&#60;"> <!ENTITY gt ">"> <!ENTITY amp "&"> <!ENTITY apos "'"> <!ENTITY quot """> <!-- less than, < --> <!-- greater than, > --> <!-- ampersand, & --> <!-- apostrophe, ’ --> <!-- quote, " --> Tre tipi di entità non predefinite Entità interne <!ENTITY tei "Text Encoding Initiative"> &tei; Text Encoding Initiative Entità esterne <!ENTITY ChapTwo SYSTEM "p4chap2.xml"> <!ENTITY ChapTwo SYSTEM "http://www.tei-c.org/P4X/p4chap2.xml"> Entità pubbliche <!ENTITY p3.sg PUBLIC "-//TEI//TEXT Guidelines Chapter on XML//EN" "p4chap2.xml"> Se una entità viene dichiarata più di una volta, solo il primo valore dichiarato è valido <!ENTITY personaggio ‘‘pluto’’> <!ENTITY personaggio ‘‘paperino’’> &personaggio; ==> pluto NB: Ciò si discosta del normale comportamento delle variabili nei linguaggi di programmazione; normalmente l’ultima assegnazione è quella che vale) Parametri Un parametro è un insieme di attributi a cui viene dato un nome, in modo da poterlo usare con più elementi. Per fare riferimento ad un parametro si usa la forma: %nomeparametro; Parametri: esempio <!ENTITY % a.global ’iden ID #REQUIRED Rend CDATA #IMPLIED’> <!ATTLIST myElement %a.global; another CDATA #IMPLIED > Nome parametro elenco attributi Con questo sistema i due attributi iden e rend vengono assegnati insieme a myElement. Un esempio di documento completo Un documento marcato in XML consiste di: Una dichiarazione XML che indica proprietà generali del documento. Una Document Type Declaration (o DOCTYPE), che assegna l' elemento root e la DTD (necessaria solo se si vuole che il documento XML possa essere dichiarato formalmente valido da un parser) L' elemento root, che contiene il testo e le successive marcature. <?xml version="1.0" encoding="iso-8859-1"?> <!DOCTYPE antologia [ <!ELEMENT antologia (poesia+)> <!ELEMENT poesia (titolo?, strofa+)> <!ELEMENT titolo (#PCDATA) > <!ELEMENT strofa (verso+) > <!ELEMENT verso (#PCDATA) > ]> <antologia> <poesia><titolo>The SICK ROSE</titolo> <strofa> <verso>O Rose thou art sick.</verso> <verso>The invisible worm,</verso> <verso>That flies in the night</verso> <verso>In the howling storm:</verso> </strofa> <strofa> <verso>Has found out thy bed</verso> <verso>Of crimson joy:</verso> <verso>And his dark secret love</verso> <verso>Does thy life destroy.</verso> </strofa> </poesia> </antologia> Namespace Il meccanismo dei “namespace” (spazi dei nomi) consente ad un documento in XML di caricare ed usare più di una DTD, ciascuna con il suo set di marcatori. I marcatori diventano disponibili all’interno del marcatore in cui la DTD è stata caricata con la la istruzione xmlns Un opportuno sistema di prefissi distingue i marcatori di DTD diverse (risolvendo eventuali omonimie) Esempio: <verso xmlns:gram="http://www.gram.org/morfo.dtd">... <!-- in questa porzione di testo valgono tutte le etichette definite in morfo.dtd --> </verso> <!-- qui fuori le etichette definite in morfo.dtd non valgono --> Namespace con prefissi <verso xmlns:gram=“http://www.gram.org/morfo.dtd” xmlns:form=“http://www.shake.org/sonnet.dtd”> <form:sonnet> <gram:aux>Shall</gram:aux> <gram:pron>I</gram:pron> <gram:verb>compare</gram:verb> <gram:pron>thee</gram:pron> <gram:prep>to</gram:prep> <gram:art>a</gram:art> <gram:noun>summer</gram:noun> ’s <gram:noun>day</gram:noun> ? … </form:sonnet> </verso> I marcatori che vengono caricati da un particolare namespace hanno significato solo all’interno di quel namespace. <text xmlns="http://www.tei-c.org"> <front> <!– il prefisso gram non è disponibile qui --> </front> <body xmlns:gram="http://www.gram.org"> <!-- il prefisso gram qui è disponibile --> </body> </text> Il significato dei prefissi dipende del namespace più interno in cui sono definiti (se ci sono più namespace con prefissi con lo stesso nome, il particolare prevale sul generale). La URL data nella definizione del namespace non viene controllata in fase di validazione Esercizi di creazione DTD Provate a creare una DTD che copra (almeno) testi teatrali della seguente forma: T1: Titolo Autore1 Atto Descrizione di scena Personaggio : battuta Personaggio: battuta Atto Personaggio: battuta Epilogo T4: T3: T2: Titolo Autore1, autore2 Personaggio: battuta Descrizione di scena Personaggio: battuta Personaggio: battuta Descrizione di scena Epilogo T5: Titolo Autore1 Personaggio: battuta Descrizione di scena Personaggio: battuta Personaggio: battuta Epilogo Postfazione T5: Titolo Autore1 Monologo Postfazione Titolo Autore1 Atto Personaggio: battuta Personaggio: battuta Atto Personaggio: battuta Personaggio: Battuta Epilogo Indice Si ricordi: A? = A è opzionale A+ = A appare almeno 1 volta A* = A appare 0 o più volte (A | B) = o A o B (A, B) = A seguito da B Esercizi di creazione DTD Provate a creare una DTD che copra le seguenti forme di indirizzo: Mickey Mouse, via degli Aranci 12, Topolinia Sig. Mickey Mouse, via degli Aranci n. 12., Topolinia (TO) Fam. Mouse, via degli Aranci 12, 38160, Topolinia, Italia Esercizi di creazione DTD Provate a creare una DTD che copra la (intricata) struttura di uno dei primissimi libri di cucina italiani: La Scienza in Cucina e l’Arte di Mangiar Bene, di Pellegrino Artusi. Disponibile su http://www.pellegrinoartusi.it/la_cucina_artusiana.h tm O sulla biblioteca di Liber liber, in HTML: http://www.liberliber.it/biblioteca/index.htm
Scarica
