Este documento presenta una introducción al procesamiento de texto XML. Explica conceptos como XML como texto estructurado, procesamiento de XML mediante SAX y DOM, y validación de XML con DTDs. También incluye ejemplos de sintaxis de elementos y atributos en XML, y las funciones de parsing SAX y DOM.

1. Sistemas de Información II
Tema 9. Procesamiento
de texto XML
Carlos Castillo
UPF – 2007
1

2. Agenda
XML como texto estructurado
Procesamiento de XML
Validación de XML con DTDs
2

3. XML
Texto Estructurado
3

4. 4

5. HTML
Lenguaje usado
para escribir
páginas Web
Inicialmente
Estructura
Actualmente
Presentación
5

6. Código HTML
Describe tamaño, posición, etc...
6

7. HTML y datos
Difícil extraer el texto importante
7

8. Pérdida de información
Página HTML
<h1>Gente</h1>
<dl>
<dt>Perez</dt>
Despliegue Extracción
<dd>12345 – Calle 111</dd>
<dt>González</dt>
<dd>67889 – Calle 222</ddd>
</dl>
8

9. XML: Objetivos
Describir contenido, no presentación
Nuevos tags
Estructuras anidadas
Documentos autodescriptivos
Representación textual de los datos
Para almacenamiento, trasmisión
“Internacionalizable”
Legible
9

10. Puntos fundamentales
XML
Información estructurada en un archivo.
XML es texto plano, internacionalizable.
XML es modular
Crear aplicaciones cuando se necesiten
XML es un formato no propietario
10

11. NO son objetivos ...
No es fácil de editar “a mano”
No está comprimido
La compresión debe ser provista
externamente
Ejemplo: cierre de elemento es explícito,
pero como es un árbol, podría no serlo.
No es directamente compatible con
HTML
XHTML es una aplicación XML.
11

12. Texto y Árbol
Un documento corresponde a un árbol
A
<?xml version=”1.0”?>
<agenda>
<persona>
P
P
<nombre>Juan</nombre>
<fono>123</fono>
</persona>
<persona>
<nombre>Pedro</nombre> F
N
F
N
<fono>234</fono>
</persona>
</agenda>
P 2
J 1
12

13. Sintaxis elementos
<persona>
Tag inicial
</persona>
Tag final
“Juan”
Nodo textual
<persona/>
Nodo vacío
13

14. Sintaxis atributos
Atributos usan comillas “dobles”
<e a1=”v1” a2=”v2” .. an=”vn”>
...
</e>
a1 .. an son identificadores no repetidos,
cuyo orden NO ES conservado.
Identificador es una secuencia de letras,
números o '-', que comienza con una letra,
de largo > 1
v1 .. vn son texto
14

15. Ejemplo uso de atributos (1)
<menu>
<menu­item portion=quot;250 mlquot;>
<name>Small soft drink</name>
</menu­item>
<menu­item portion=quot;500 gquot;>
<name>Sirloin steak</name>
</menu­item>
</menu>
15

16. Ejemplo uso de atributos (2)
<menu>
<menu­item portion­size=quot;250”
portion­unit=”mlquot;>
<name>...</name> </menu­item>
<menu­item portion­size=”500”
portion­unit=quot;gquot;>
<name>...</name> </menu­item>
</menu>
16

17. Ejemplo uso de atributos (3)
<menu>
<menu­item>
<portion unit=”ml”>250</portion>
<name>...</name> </menu­item>
<menu­item>
<portion unit=”g”>500</portion>
<name>...</name> </menu­item>
</menu>
17

18. Sutilezas (newlines)
<tag>n <tag>n
<tag a=”1”n <tag a=”1”n
b=”2”>n b=”2”>n
Texton Texton
Texton Texton
</tag> </tag>
<tag>Texto</tag>n <tag>Texto</tag>n
</tag> </tag>
<tag><tag a=”1”b=”2”>Texton
Texto</tag><tag>Texto</tag></tag>
18

19. XML Contenido
19

20. Procesamiento de XML
Orientado a eventos
SAX – Simple API for XML
Más rápido
Orientado a estructura
DOM
Más usable
20

21. Parsing SAX
SAXparse( start, end, text )
Se provee de apuntadores a funciones
Start( nombre_del_tag )
Ejecutado cada vez que se ve un tag
End()
Cada vez que se ve un tag de cierre
Text( buffer )
Cada vez que se lee texto
21

22. Ejemplo de parsing en SAX
<p>Hola <b>mundo</b></p>
saxParse(“...”,start,text,end)
text(quot;Holaquot;)
start(quot;bquot;)
text(quot;mundoquot;)
end(quot;bquot;)
end(quot;pquot;)
22

23. Parsing DOM
doc = DOMParse( “archivo.xml”)
Se lee un árbol completo en memoria
Se pueden buscar nodos
Node = doc.getElementById()
doc.getChild(), etc...
Las funciones se llaman igual en varios
lenguajes: Java, Perl, Python, C++,
etc...
23

24. Ejemplo de DOM en Java
Extraer primer nodo “recipe” (receta) en un documento XML
public static void main(String[] args) {
DOMParser p = new DOMParser();
p.parse(args[0]);
Document doc = p.getDocument();
Node n = doc.getDocumentElement().getFirstChild();
while (n!=null &&
!n.getNodeName().equals(quot;recipequot;))
{
n = n.getNextSibling();
}
PrintStream out = System.out;
out.println(quot;<?xml version=quot;1.0quot;?>quot;);
out.println(quot;<collection>quot;);
if (n!=null)
print(n, out);
out.println(quot;</collection>quot;);
}
24

25. Validación de XML
25

26. Diferentes aplicaciones de XML
personas.dtd
productos.dtd
doc1.xml doc2.xml
<?xml version=”1.0”?> <?xml version=”1.0”?>
<pacientes> <lavadoras>
<paciente> <lavadora>
<nombre>Juan</nombre> <marca>Samsung</marca>
<apellido>Perez</apellido> <modelo>RX­1200</modelo>
<edad>38</edad> </lavadora>
</paciente> ...
... </lavadoras>
</pacientes>
26

27. Documento XML bien formado
Se dice que un documento XML está bien
formado si es sintácticamente correcto.
27

28. Documento XML válido
Se dice que un documento XML es válido
si está de acuerdo con una cierta
especificación de tipo de dato.
28

29. Procesamiento
doc.xml
Parsing
tipo.dtd
Validación
... procesamiento
29

30. ¿Para qué sirven las DTD?
Describir un formato de datos
Usar un formato común de datos
Verificar los datos al intercambiarlos
Mantener la consistencia
30

31. Ejemplo simple DTD 1
ejemplo.dtd ok1.xml
<!ELEMENT ejemplo <!DOCTYPE ejemplo
(#PCDATA)> SYSTEM ejemplo.dtd>
<ejemplo>
Este es un ejemplo.
</ejemplo>
ok2.xml
<!DOCTYPE ejemplo
SYSTEM ejemplo.dtd>
<ejemplo/>
31

32. Ejemplo simple DTD 2
ejemplo.dtd
<!ELEMENT ejemplo
(#PCDATA)>
malo1.xml malo2.xml
<!DOCTYPE ejemplo <!DOCTYPE ejemplo
SYSTEM ejemplo.dtd> SYSTEM ejemplo.dtd>
<inicioejemplo> <example>
Este es un ejemplo. Este es un ejemplo.
</finejemplo> </example>
(NO ESTA BIEN FORMADO) (NO ES VÁLIDO)
32

33. ¿Qué describe una DTD?
Elementos
Cuales son los tags permitidos
Cual es el contenido de cada tag
Estructura
En que orden van los tags en el documento
Anidamiento
Cuales tags van dentro de cuales
33

34. Contenido ELEMENT
Un elemento tiene
ejemplo.dtd
contenido
<!ELEMENT mensaje
(urgente?, asunto,
ELEMENT, si solo
cuerpo)>
puede contener a
<!ELEMENT asunto
(#PCDATA)>
otros elementos,
<!ELEMENT cuerpo
(#PCDATA|cita)*>
opcionalmente
<!ELEMENT cita
(#PCDATA)>
separados por
<!ELEMENT urgente
espacios en
EMPTY>
blanco.
34

35. Contenido TEXT
Un elemento tiene
ejemplo.dtd
contenido TEXT, si
<!ELEMENT mensaje
(urgente?, asunto,
solo puede
cuerpo)>
contener texto
<!ELEMENT asunto
(#PCDATA)>
<!ELEMENT cuerpo
(PCDATA = printable
(#PCDATA|cita)*>
<!ELEMENT cita
character data)
(#PCDATA)>
<!ELEMENT urgente
EMPTY>
35

36. Contenido MIXED
Un elemento tiene
ejemplo.dtd
contenido MIXED,
<!ELEMENT mensaje
(urgente?, asunto,
si puede contener
cuerpo)>
texto u otros
<!ELEMENT asunto
(#PCDATA)>
elementos
<!ELEMENT cuerpo
(#PCDATA|cita)*>
<!ELEMENT cita
(#PCDATA)>
<!ELEMENT urgente
EMPTY>
Nota: #PCDATA debe
aparecer primero en la lista
ej.: “(#PCDATA|cita)”
36

37. Contenido EMPTY
Un elemento tiene
ejemplo.dtd
contenido EMPTY,
<!ELEMENT mensaje
(urgente?, asunto,
si no puede
cuerpo)>
contener otros
<!ELEMENT asunto
(#PCDATA)>
elementos
<!ELEMENT cuerpo
(#PCDATA|cita)*>
<!ELEMENT cita
(#PCDATA)>
<!ELEMENT urgente
EMPTY>
37

38. Ejemplos documentos 1/4
ejemplo.dtd ok1.xml
<!ELEMENT mensaje <?xml version=”1.0”?>
(urgente?, asunto, <!DOCTYPE mensaje
cuerpo)> SYSTEM “asunto.dtd”>
<!ELEMENT asunto <mensaje>
(#PCDATA)> <urgente/>
<!ELEMENT cuerpo <asunto>
(#PCDATA|cita)*> Agenda del curso
<!ELEMENT cita </asunto>
(#PCDATA)> <cuerpo>
<!ELEMENT urgente <cita>
EMPTY> Por favor enviar agenda
</cita>
Te envio la agenda ahora
</cuerpo>
</mensaje>
38

39. Ejemplos documentos 2/4
ejemplo.dtd ok2.xml
<!ELEMENT mensaje <?xml version=”1.0”?>
(urgente?, asunto, <!DOCTYPE mensaje
cuerpo)> SYSTEM “asunto.dtd”>
<!ELEMENT asunto <mensaje>
(#PCDATA)> <asunto>
<!ELEMENT cuerpo Agenda del curso
(#PCDATA|cita)*> </asunto>
<!ELEMENT cita <cuerpo>
(#PCDATA)> Te envio la agenda ahora
<!ELEMENT urgente </cuerpo>
EMPTY> </mensaje>
39

40. Ejemplos documentos 3/4
ejemplo.dtd malo1.xml
<!ELEMENT mensaje <?xml version=”1.0”?>
(urgente?, asunto, <!DOCTYPE mensaje
cuerpo)> SYSTEM “asunto.dtd”>
<!ELEMENT asunto <mensaje>
(#PCDATA)> <urgente>Si</urgente>
<!ELEMENT cuerpo <asunto/>
(#PCDATA|cita)*> <cita>Enviar</cita>
<!ELEMENT cita <cuerpo>
(#PCDATA)> Te envio la agenda ahora
<!ELEMENT urgente </cuerpo>
EMPTY> </mensaje>
40

41. Ejemplos documentos 4/4
ejemplo.dtd malo2.xml
<!ELEMENT mensaje <?xml version=”1.0”?>
(urgente?, asunto, <!DOCTYPE mensaje
cuerpo)> SYSTEM “asunto.dtd”>
<!ELEMENT asunto <mensaje>
(#PCDATA)> <cuerpo>
<!ELEMENT cuerpo Te envio la agenda ahora
(#PCDATA|cita)*> </cuerpo>
<!ELEMENT cita <asunto>Test</asunto>
(#PCDATA)> </mensaje>
<!ELEMENT urgente
EMPTY>
41

42. Orden e inclusion de
elementos
ejemplo.dtd
<!­­ Uno o varios FirstName seguidos de
uno o varios LastName ­­>
<!ELEMENT nombre (FirstName+, LastName+)>
<!­­ Cero o varios FirstName seguidos de
uno o varios LastName ­­>
<!ELEMENT nombre (FirstName*, LastName+)>
<!­­ cheque O BIEN efectivo O BIEN tarjeta ­­>
<!ELEMENT pago (cheque|efectivo|tarjeta)>
<!­­ Carta con o sin fecha ­­>
<!ELEMENT carta (fecha?, cuerpo)>
42

43. Orden de elementos, ejemplo
msj.dtd ok.xml
<!ELEMENT mensaje <?xml version=”1.0”?>
(urgente?|asunto|cuerpo)> <!DOCTYPE mensaje
<!ELEMENT asunto SYSTEM “msj.dtd”>
(#PCDATA)> <mensaje>
<!ELEMENT cuerpo <cuerpo/>
(#PCDATA|cita)*> <asunto/>
<!ELEMENT cita </mensaje>
(#PCDATA)>
<!ELEMENT urgente
EMPTY>
43

44. Atributos
CDATA:
lavadora.dtd
<!ELEMENT lavadora EMPTY>
texto
<!ATTLIST lavadora
carga NMTOKEN #IMPLIED
NMTOKEN:
marca CDATA #IMPLIED
voltaje NMTOKENS
“abc...z0123..9-_:.”
#REQUIRED>
<!­­ #IMPLIED=opcional ­­>
NMTOKENS:
NMTOKEN +
espacios
ID: empezar con letra
IDREF: ser un ID
44

45. Atributos, ejemplo
lavadora.dtd lavadora.xml
<!ELEMENT lavadora EMPTY> <?xml version=”1.0”?>
<!ATTLIST lavadora <!DOCTYPE lavadora
carga NMTOKEN #IMPLIED SYSTEM “lavadora.dtd”>
marca CDATA #IMPLIED <lavadora
voltaje NMTOKENS carga=”frontal”
#REQUIRED> marca=”Samsung 10XE”
voltaje=”210V 110V”/>
45

46. Repetición de elementos
biblioteca1.dtd biblioteca2.dtd
<!ELEMENT bib <!ELEMENT bib
(libro|revista)+> (libro|revista)+>
<!ELEMENT libro <!ENTITY % bibelem
(titulo,autor)> “titulo,autor”>
<!ELEMENT revista <!ELEMENT libro
(titulo,autor)> (%bibelem;) >
<!ELEMENT titulo <!ELEMENT revista
(#PCDATA)> (%bibelem;) >
<!ELEMENT autor <!ELEMENT titulo
(#PCDATA)> (#PCDATA)>
<!ELEMENT autor
(#PCDATA)>
46

47. Repetición de atributos
biblioteca1.dtd biblioteca2.dtd
<!ELEMENT bib
<!ELEMENT bib
(libro|revista)+>
(libro|revista)+>
<!ENTITY % bibattrs
<!ELEMENT libro EMPTY>
“titulo CDATA #REQUIRED
<!ATTLIST libro
editorial CDATA #REQUIRED“
titulo CDATA #REQUIRED
>
editorial CDATA #REQUIRED
<!ELEMENT libro EMPTY>
autor CDATA #REQUIRED>
<!ATTLIST libro
<!ATTLIST revista
%bibattrs;
titulo CDATA #REQUIRED
autor CDATA #REQUIRED>
editorial CDATA #REQUIRED
<!ELEMENT revista EMPTY>
numero NMTOKEN #REQUIRED>
<!ATTLIST revista
%bibattrs;
numero CDATA #REQUIRED>
47

48. Resumen
XML = Texto estructurado
DTD = Descripción de estructura
Validar XML usando DTD
48