XML系列（上篇）——XML文件入门详解

前言

想必大家在日常工作或者开发中都会直接或者间接地使用到xml格式的文件，它存在于项目的配置文件中，也可能是作为服务器间系统交互的数据文件，那么你是否知道这种文件的作用是什么呢？你是否了解我们是如何获取文件中的数据的呢？对于一个开发人员来说，了解和掌握XML文件的使用是很有必要的。本篇文章将围绕XML文件的产生背景、文档的定义、解析和约束等进行讲解，希望能够让各位读者有所收获。

本篇文章是XML系列的上篇，对JAVA如何转换XML文件有兴趣的读者可以看完本篇文章后翻阅后篇：
XML系列（下篇）——Java和XML的这些事你可能真的不知道

---

一、什么是XML？

XML的全称是EXtensible Markup Language，翻译成中文就是可拓展标记语言，听到这个名字大家可能会觉得有点耳熟，HTML叫超文本标记语言，这两者是不是有什么关系呢？
答案是，还真有关系。XML可以说是对HTML（局限性）的一种补充。

（一）XML的产生背景

在XML产生之前，就已经有了SGML（(Standard Generalized Markup Language：标记通用语言）和HTML两种标记语言了，前者文档结构庞杂，主要用于大量高度结构化数据的访问和其他各种工业领域，后者由于其简单和跨平台性而广泛应用于Web服务的传输文件。同时二者都有着较为明显的缺点，SGML使用复杂，相关软件昂贵，而HTML则有着无法描述数据、可读性差等局限性。
随着Web应用的不断发展，而HTML又无法很好满足人们对数据的需求，这时人们又把目光转向SGML，再次改造SGML使之适应现在的网络需求。随着先辈的努力，1998年2月10日，W3C(World Wide Web Consortium，万维网联盟)公布XML 1.0标准，XML诞生了。
可以说，XML是在补充HTML局限性背景下的产物。

（二）XML的作用

XML格式文件如今已在我们工作中发挥重要的作用，总结起来主要是以下两点：

1. 作为存储数据的文件载体（基础）

2. 可以作为交换数据在不同系统、不同项目的通信间进行传输

二、XML文档的声明

（一）XML文档的定义

<?xml version="1.0" encoding="UTF-8" standalone="yes"?>
<root>
    <child>
    <subchild>.....</subchild>
  </child>
</root>

定义一个XML文档是十分简单的，其必要条件只有2个：

1. XML文档的头部至少要有<? xml version="1.0" ?>

2. 文档中至少拥有1个根标签

XML头部属性介绍如下：

• version:解析这个文档的时候用的是什么版本的解析器
• encoding:解析xml中文字的时候用的是哪种编码
• standlone: no: 该文档会依赖关联其他文档，yes:这是一个独立文档

（二）XML的文档结构

<?xml version="1.0" encoding="UTF-8"?>
<school>
    <teachers>
        <teacher>
            <name>李连杰</name>
            <age>25</age>
        </teacher>
        <teacher>
            <name>李小龙</name>
            <age>65</age>
        </teacher>
    </teachers>
    <students>
        <student>
            <name>成龙</name>
            <age>14</age>
        </student>
        <student>
            <name>小明</name>
            <age>12</age>
        </student>
    </students>
</school>

XML文档的阅读性较好，一个父标签下会嵌套1个或者多个子标签，子标签内可能还嵌套了子子标签。我们可以很容易的联想到，XML文档可以用树结构来表示。以上图为例，具体可以描述成下面这幅图：

XML解析树形图

（三）XML的元素和属性

元素的标签

XML中的元素（标签）可以分为简单元素和复杂元素。简单元素的内容是常见的string、int类型等数据，复杂元素是指标签里面嵌套了其他的元素的标签。比如下面的例子中student属于复杂元素，name属于简单元素。

元素的属性

属性定义在标签之间。比如下面例子中的id就是student标签的属性。

<student id="9527">
        <name>成龙</name>
        <age>14</age>
</student>

（四）XML文档的注释

XML文档的注释和HTML一样，采用<！-- -->的方式进行注释。这个没啥好说的

三、XML文档的CDATA

打开XML文档时，所有 XML 文档中的文本均会被解析器解析。当某个 XML 元素被解析时，其标签之间的文本也会被解析：只有 CDATA 区段（CDATA section）中的文本会被解析器忽略。听上去似乎有点绕，我们举一个小例子吧。

CDATA案例演示

从上面的例子我们可以看到，对于一些特殊的文本内容，解析器可以会将其解析为标签符号。所以我们需要用转义字符来对此进行处理。
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）。常用的转移字符有如下五个：

转移字符	符号	含义
<	<	小于
>	>	大于
&	&	和号
'	'	省略号
"	"	引号

（严格意义上来说，只有<和&不能被XML解析器正确的解析，但出于良好的编码习惯，建议还是都用转移字符）

如果文本中用到的特殊符号很多的话，，就可以用<![CDATA[ ]]>来进行包裹。让XML解析器忽略这段文本内容解析。

<script>
<![CDATA[
function matchwo(a,b)
{
if (a < b && a < 0) then
  {
  return 1;
  }
else
  {
  return 0;
  }
}
]]>
</script>

四、XML的解析方式

有关XML的解析方式网上流传的有DOM、SAX、dom4j、jdom乃至java中的JAXP、JAXB等等，但是本质上，XML的解析方式只有两种，DOM和SAX，其他的方式都是基于这两种解析标准进行的封装。也可以这么理解，由于读取方式不同，DOM和SAX定义了两种不同的标准（接口），我们现在使用的各种API是这两类接口的具体实现。

两种解析方式的介绍

DOM : document object model
把整个xml全部读到内存当中，形成树状结构。整个文档称之为document对象，属性对应Attribute对象，所有的元素节点对应Element对象，文本也可以称之为Text对象，以上所有对象都可以称之为Node节点。如果xml文件特别大，那么将会造成内存溢出。可以对文档进行增删操f作
SAX : Simple API for Xml
基于事件驱动。读取一行，解析一行。这种方式不会造成内存溢出。但不可以进行增删，只能查询。
我们可以看到，两种解析方式风格迥异，DOM虽然方便但是对内存的消耗比较大，在项目应用具体选择可以根据实际需要来定。

五、XML的解析手段

目前来说，由于dom4j性能优异、功能强大和易于使用、开源的特点，使其成为了解析XML文档的最多选择之一。下面我们将简单演示一下dom4j的使用。（想要了解更多解析XML的使用方式，可以参考本系列下篇文章。）
在springboot项目下引入如下依赖：

<!-- junit -->
<dependency>
    <groupId>junit</groupId>
    <artifactId>junit</artifactId>
    <version>4.12</version>
    <scope>test</scope>
</dependency>
<!-- dom4j的jar包 -->
<dependency>
    <groupId>org.dom4j</groupId>
    <artifactId>dom4j</artifactId>
    <version>2.1.1</version>
</dependency>
<!-- dom4j使用XPath需要的jar包 -->
<dependency>
    <groupId>jaxen</groupId>
    <artifactId>jaxen</artifactId>
    <version>1.1.6</version>
</dependency>

SpringBoot项目已经集成了junit的包，可以不用引。如果是普通的java项目，就需要引入一下。

验证的主要步骤为：

1. 通过SAXReader对象读取和解析xml文件，获得Document对象，即xml树；

2. 调用Node的方法遍历打印xml树的节点；

3. 使用XPath查询指定节点。

具体的测试代码如下：

    @Test
    public void parseXmlByDom4j(){
        // 1、 创建SAXReader对象
        SAXReader reader = new SAXReader();
        try{
        // 2、指定要解析的XML文件
        Document document = reader.read("这里写实际的xml文件存储路径").getDocument();
        // 3、 遍历所有teacer节点下的内容
         Element rootElement = document.getRootElement();
            for (Element element : rootElement.element("teachers").elements()) {
                String qname = element.getQName().getName();
                String teacherName = element.element("name").getText();
                String teacherAge = element.element("age").getText();
                System.out.println(qname + ": name = " + teacherName + " age = " + teacherAge);
            }
        }catch (Exception e){
            e.printStackTrace();
        }
    }

使用dom4j输出结果

六、XML的约束

我们知道，XML文档中可以让我们写入各种自定义的Tag标签和其他属性，不过在实际应用中，我们往往会希望有一个文件可以约束XML文档中的书写规范，比如说这个xml文件是关于学校人员的信息，但文档中出现了<apple>、<aaa>这些毫无关联的标签就会变得很奇怪。为了避免文档中出现的不符合实际需要，不符合规范要求的文档，有一份对于XML的书写格式进行约束的文件，就很有必要了。
DTD和Schema都是基于这种实际需要的背景下出现的产物，其中DTD出现的时间较早，但后起之秀Schema却由于其功能更加强大，文档阅读性更好而被更多开发人员所使用。但目前来说，虽然Schema被认为未来将完全取代DTD约束，但现状还是有部分项目还有使用DTD进行XML文档约束的。
下面将对两种约束的使用进行简单的讲解：

（一）DTD

引用DTD约束的三种方式：

1. 在XML文档内部引入：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE 根元素 [元素声明]>

2. 引入XML外部的文档

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE 根元素 SYSTEM "文件名">

3. 引入网络上的DTD（需要网络资源）

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE 根元素 PUBLIC "DTD的位置" "文件名">

DTD的使用介绍

DTD的元素声明
<!ELEMENT 元素名称 (元素内容)>
DTD的属性声明
<!ATTLIST 元素名称 属性名称 属性类型 默认值>`

我们举个例子：

DTD演示用例

（二）Schema

介绍Schema之前，我们先看一份Schema文件长什么样子：

<?xml version="1.0"?>
<xs:schema xmlns:xs="http://www.w3.org/2001/XMLSchema"
targetNamespace="http://www.w3school.com.cn"
xmlns="http://www.w3school.com.cn"
elementFormDefault="qualified">

<xs:element name="note">
    <xs:complexType>
      <xs:sequence>

    <xs:element name="to" type="xs:string"/>
    <xs:element name="from" type="xs:string"/>
    <xs:element name="heading" type="xs:string"/>
    <xs:element name="body" type="xs:string"/>
      </xs:sequence>
    </xs:complexType>
</xs:element>

</xs:schema>

实际上，schema文件是以.xsd作为文件格式后缀的，但其文件还是由XML来编写的，那么这样就存在一个问题，schema文件用来约束我们普通的XML文档，那么由XML编写的schema文件又应该让谁来约束呢？
答案是schema文件最终需要对标W3C的标准来编写。

如何在XML文件中引用Schema约束

<?xml version="1.0"?>
<文档类型 xmlns="http://www.w3school.com.cn"
xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
xsi:schemaLocation="http://www.w3school.com.cn schema文件名">

一般来说，我们需要只需要设置schemaLocation 属性即可。此属性有两个值。第一个值是需要使用的命名空间。第二个值是供命名空间使用的 XML schema 的位置。

如何书写Schema：

schema简单元素书写格式：
<xs:element name="xxx" type="yyy"/>
schema复杂元素书写格式：
<xs:element name="xxx">
  <xs:complexType>
    <xs:sequence>
      <xs:element name="xxx" type="xs:yyy"/>
      <xs:element name="xxx" type="xs:yyy"/>
    </xs:sequence>
  </xs:complexType>
</xs:element>
# 此处 xxx 指元素的名称，yyy 指元素的数据类型。

schema属性书写格式：
<xs:attribute name="xxx" type="yyy"/>
# 在此处，xxx 指属性名称，yyy 则规定属性的数据类型。

简单元素即只是一个内容为文本、数字，没有属性的简单标签，复杂标签往往嵌套了多个标签。

下面我们来举一个例子：

先看Schema文件内容：

<?xml version="1.0"?>
<xs:schema xmlns:xs="http://www.w3.org/2001/XMLSchema"
           targetNamespace="http://www.xiaoming.com.cn/school"
           elementFormDefault="qualified">

    <xs:element name="school">
        <xs:complexType>
            <xs:sequence>
                <xs:element name="teachers" >
                    <xs:complexType>
                        <xs:sequence>
                            <xs:element name="teacher" maxOccurs="unbounded">
                                <xs:complexType>
                                    <xs:sequence>
                                        <xs:element name="name" type="xs:string"/>
                                        <xs:element name="age" type="xs:int"/>
                                    </xs:sequence>
                                </xs:complexType>
                            </xs:element>
                        </xs:sequence>
                    </xs:complexType>
                </xs:element>
                <xs:element name="students" type="xs:string"/>
            </xs:sequence>
        </xs:complexType>
    </xs:element>

</xs:schema>

有关元素的这里就不再赘述，定义Schema文件时需要注意的细节有两个。

1. 我们可以使用maxOccurs和minOccurs来定义某个元素出现的最大/最小次数，unbounded表示没有限制

2. 定义Schema时，要注意头部<schema>的书写：

• xmlns:xs 这部分基本是固定的写法，表示schema 中用到的元素和数据类型来自命名空间"http://www.w3.org/2001/XMLSchema"。同时它还规定了相关元素和数据类型的使用需要加前缀 xs
• targetNamespace 这个是可以自定义的，xml文件会用到，主要是和xml文件的xmlns相匹配
• elementFormDefault 这个部分一般也是固定的写法，表示任何 XML 实例文档所使用的且在此 schema 中声明过的元素必须被命名空间限定。

再来看XML文档的内容：

<?xml version="1.0" encoding="UTF-8"?>
<school
    xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
    xmlns = "http://www.xiaoming.com.cn/school"
    xsi:schemaLocation="http://www.xiaoming.com.cn/school test.xsd">
    <teachers>
        <teacher>
            <name>李连杰</name>
            <age>25</age>
        </teacher>
        <teacher>
            <name>李小龙</name>
            <age>65</age>
        </teacher>
    </teachers>
    <students></students>
</school>

XML文档的内容没有什么特别的，关键在于在根标签<school>中定义了三个属性，使其和对应的.xsd文件关联在了一起。主要的属性有三个，含义分别如下：
1. xmlns:xsi 这部分的内容基本固定，表示是schema文件的实例（这一块比schema的内容相比多了-instance）
2. xmlns 这部分需要和对应.xsd文件中的targetNamespace中的内容保持一致
3. xsi:schemaLocation 这部分的内容为 .xsd文件中的targetNamespace + .xsd文件的存储位置 （这里因为是同级，所以就直接是文件名）

至此，对于XML的入门已经介绍完毕。如果对XML、DTD、Schema等知识点需要更深入了解的话，可以在W3C官网或者在本篇文章的参考资料中再进行查阅。

参考资料：
W3C DTD教程： https://www.w3school.com.cn/dtd/index.asp
W3C Schema教程：https://www.w3school.com.cn/schema/index.asp
W3C XML教程：https://www.w3school.com.cn/xml/index.asp
DOM、JDOM、DOM4J的区别：https://www.cnblogs.com/avivahe/p/5493060.html
百度百科-XML：https://baike.baidu.com/item/%E5%8F%AF%E6%89%A9%E5%B1%95%E6%A0%87%E8%AE%B0%E8%AF%AD%E8%A8%80/2885849