# XML

## 簡介

**可延伸標記式語言**（英語：E**x**tensible **M**arkup **L**anguage，簡稱：**XML**）是一種標記式語言。標記指電腦所能理解的資訊符號，通過此種標記，電腦之間可以處理包含各種資訊的文章等。如何定義這些標記，既可以選擇國際通用的標記式語言，例如HTML，也可以使用像XML這樣由相關人士自由決定的標記式語言，這就是語言的可延伸性。XML是從標準通用標記式語言（SGML）中簡化修改出來的。它主要用到的有可延伸標記式語言、可延伸樣式語言（XSL）、XBRL和XPath等。

## 用途

XML設計用來傳送及攜帶資料資訊，不用來表現或展示資料，HTML則用來表現資料，所以XML用途的焦點是它說明資料是什麼，以及攜帶資料資訊。

- 富文件（Rich Documents）- 自訂檔案描述並使其更豐富
- 屬於檔案為主的XML技術應用
- 標記是用來定義一份資料應該如何呈現
- 元資料（Metadata）- 描述其它檔案或網路資訊
- 屬於資料為主的XML技術應用
- 標記是用來說明一份資料的意義
- 組態文件（Configuration Files）- 描述軟體設定的參數

## 重要術語

#### 字元（characters）

XML 1.0規範允許的（跳脫後的最終解碼值）合法字元： #x9（水平制表符）、#xA（回車字元）、#xD（換行符）、#x20-#xD7FF、#xE000-#xFFFD、#x10000-#x10FFFF。即任何Unicode字元，不包含surrogate blocks, FFFE, FFFF。

XML規範定義了5個"預定義實體"來表示特殊字元. XML也允許在每個文件定義任意數量的其它命名實體.

下表列出了5個XML預定義實體. 通過名字參照這些實體的格式為`&name;`，例如, `&` 將繪製為&.

| 名字 | 字元 | Unicode碼位(十進位) | 標準 | 描述 |
| :--: | :--: | :-----------------: | :-----: | :----: |
| quot | " | U+0022 (34) | XML 1.0 | 雙引號 |
| amp | & | U+0026 (38) | XML 1.0 | & |
| apos | ' | U+0027 (39) | XML 1.0 | 單引號 |
| lt | < | U+003C (60) | XML 1.0 | 小於 |
| gt | > | U+003E (62) | XML 1.0 | 大於 |

#### 處理器（Processor）與應用（application）

XML處理器（Processor，也稱作XML parser）分析標記式語言並傳遞結構化資訊給應用（application）。

#### 標記（Markup）與內容（content）

XML文件的字元分為標記（Markup）與內容（content）兩類。標記通常以`<`開頭，以`>`結尾；或者以字元`&` 開頭，以`;`結尾。不是標記的字元就是內容。但是CDATA部分，分解符號`<![CDATA[`與`]]>`是標記，二者之間的文字為內容。 最外界的空白符是標記。

#### 標籤（Tag）

一個*tag*屬於標記結構，以`<`開頭，以`>`結尾。Tag名字是大小寫敏感，不能包括任何字元 !"#$%&'()*+,/;<=>?@[\]^`{|}~， 也不能有空格符， 不能以"-"或"."或數字開始。可分為三類：

#### 元素（Element）

元素是文件邏輯組成，或者在start-tag與匹配的end-tag之間，或者僅作為一個empty-element tag。例如：`<greeting>Hello, world!</greeting>`. 另一個例子是： `<line-break />`.

單個根（root）元素包含所有的其他元素。

#### 屬性（Attribute）

屬性是一種標記結構，在start-tag或empty-element tag內部的「名字-值對」。例如：`<img src="madonna.jpg" alt="Madonna" />`。每個元素中，一個屬性最多出現一次，一個屬性只能有一個值。

如果屬性有多個值，這需要採取XML協定以外的方式來表示，如採用逗號或分號間隔，對於CSS類或識別碼的名字可用空格來分隔。

#### XML 聲明（declaration）

XML文件如果以*XML declaration*開始，則表述了文件的一些資訊。如`<?xml version="1.0" encoding="UTF-8"?>`.

## 範例

XML定義結構、儲存資訊、傳送資訊。下例為小張傳送給大元的便條，儲存為XML。

<?xml version="1.0"?>
  <小紙條>
    <收件人>大元</收件人>
    <發件人>小張</發件人>
    <主題>問候</主題>
    <具體內容>早啊，飯吃了沒？ </具體內容>
  </小纸條>

這XML文件僅是純粹的資訊標籤，這些標籤意義的展開依賴於應用它的程式。

#### 結構

每個XML文件都由XML聲明開始，在前面的代碼中的第一行就是XML聲明，<?xml version="1.0"?>。這一行代碼會告訴解析器或瀏覽器這個檔案應該按照XML規則進行解析。

但是，根元素到底叫<小紙條>還是<小便條>，則是由「文件類型定義（DTD）」或「XML綱要（XML Schema）」定義的。如果DTD規定根元素必須叫<小便條>，那麼若寫作<小紙條>就不符合要求。這種不符合DTD或XML綱要的要求的XML文件，被稱作**不合法的XML**，反之則是**合法的XML**。

XML檔案的第二行並不一定要包含文件元素；如果有注釋或者其他內容，文件元素可以遲些出現。

最常見的PI（processing instruction,像XML序言, 卻是不同類型的語法）是用來指定XML檔案的樣式表, 這個PI一般會直接放在XML序言之後，通常由Web瀏覽器使用，來將XML資料以特殊的樣式顯示出來。

XML的結構有一個缺陷，那就是不支援分影格（framing）。當多條XML訊息在TCP上傳輸的時候，無法基於XML協定來確定一條XML訊息是否已經結束。

## Python解析XML

與HTML一樣，可以使用`Beautifulsoup`來解析XML文件，然後萃取出需要的資訊。

> 補充：
>
> 官方承認內建的`ElementTree`解析XML存在漏洞：https://docs.python.org/3/library/xml.etree.elementtree.html#