深入学习 XML：语法、约束、解析及相关技术

一、引言

在当今的软件开发领域，数据的存储和交换至关重要。XML（Extensible Markup Language）作为一种可扩展的标记语言，以其灵活的数据表示方式和良好的跨平台性，在程序配置、数据交换等方面发挥着重要作用。本文将详细介绍 XML 的语法、约束、解析技术，以及相关的 DOM4J 和 XPath 知识。

二、XML 概述

2.1 什么是 XML

XML 全称为可扩展的标记语言，是 SGML（标准通用标记语言）的一个子集。与 HTML 不同，HTML 的元素是固定的，而 XML 的标签可以由用户自定义。W3C 在 1998 年 2 月发布了 XML 1.0 版本，虽然 2004 年 2 月发布了 1.1 版本，但由于其不能向下兼容 1.0 版本，所以目前广泛使用的仍是 1.0 版本。

2.2 W3C 组织

W3C 即万维网联盟，成立于 1994 年 10 月，以开放论坛的方式促进 Web 技术的发展。它发布的规范虽称为推荐标准，但因其权威性往往成为事实上的标准。

2.3 XML 的作用

程序的配置文件：这是 XML 最常见的用途之一，通过 XML 文件可以方便地配置程序的各种参数。
数据交换：不同语言的程序之间可以使用 XML 进行数据交换，因为 XML 具有良好的可读性和通用性。
小型数据库：可以将 XML 用作简单的数据库来存储数据。

2.4 XML 与 HTML、properties 文件的比较

与 HTML 比较：HTML 元素固定，由浏览器解析执行，主要用于表示网页；而 XML 可自定义元素，解析器通常需要自己编写，用途更为广泛。
与 properties 文件比较：属性文件只能存储平面信息，解析简单；而 XML 可以存储结构化信息，但解析较为复杂。

三、XML 语法概述

3.1 XML 文档展示

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<students>
    <student number="1001">
        <name>zhangSan</name>
        <age>23</age>    
        <sex>male</sex>
    </student>
    <student number="1002">
        <name>liSi</name>
        <age>32</age>
        <sex>female</sex>
    </student>
    <student number="1003">
        <name>wangWu</name>
        <age>55</age>
        <sex>male</sex>
    </student>
</students>

3.2 XML 文档的组成部分

XML 文档声明：用于说明 XML 文档的版本、编码等信息。
XML 处理指令：用于向 XML 处理器提供信息。
XML 元素：XML 文档的基本组成部分，包含开始标签、元素体和结束标签。
XML 特殊字符和 CDATA 区：特殊字符需要使用转义字符表示，CDATA 区用于包含大量特殊字符，提高文档可读性。
XML 注释：以  结束，用于对文档进行说明。

3.3 XML 文档声明

结构：包含 version、encoding 和 standalone 三个属性。
- version：必须属性，指定 XML 文档的版本，通常为 1.0。
- encoding：可选属性，指定文档使用的字符编码集，默认为 UTF - 8。
- standalone：指定文档是否为独立文档，默认值为 yes。
注意事项：XML 文档声明必须从文档的第一行第一列开始，且大小写敏感。

3.4 XML 元素

格式：
- 包含开始标签、元素体和结束标签，如 <hello>大家好</hello>；空元素需闭合，如 <hello/>。
- 元素可以包含子元素或文本数据，且必须合法嵌套。
根元素：格式良好的 XML 文档必须且仅有一个根元素。
元素命名规范：区分大小写，不能以数字开头，最好不以 xml 开头，不能包含空格。

3.5 元素属性

属性由属性名和属性值组成，中间用等号连接，属性值必须用引号括起来。
定义属性需遵循与标签名相同的命名规范，且一个元素中不能包含相同的属性名。

3.6 注释

注释以  结束，注释中不能包含 --。

3.7 转义字符和 CDATA 区

转义字符：在 XML 文档中，一些特殊字符如 <、> 等需要使用转义字符表示，如 < 表示 <。
CDATA 区：当大量特殊字符出现时，使用 CDATA 区可以提高文档的可读性。CDATA 区以 <![CDATA[ 开头，以 ]]> 结束，其中的特殊字符无需转义，但不能包含 ]]>。

四、XML 约束（了解）

4.1 XML 约束概述

由于 XML 文档可以自定义元素，应用程序为了满足自身需求，通常要求 XML 文件的结构固定。XML 约束就是用另一个文件来约束 XML 文档的结构，常见的约束类型有 DTD 和 Schema。

4.2 DTD

定义：DTD（Document Type Definition）即文档类型定义，用于约束 XML 文档。
示例：

<!ELEMENT students (student+)>
<!ELEMENT student (name,age,sex)>
<!ELEMENT name (#PCDATA)>
<!ELEMENT age (#PCDATA)>
<!ELEMENT sex (#PCDATA)>

解读：students 元素中可以包含 1 到多个 student 元素；student 元素必须包含 name、age、sex 元素，且顺序固定；这些元素的内容为文本。

4.3 Schema

概述：学习 Schema 的目标一是参照其要求编写 XML 文档，二是自己定义 Schema 文档。
优点：基于 XML 语法，可使用处理 XML 文档的工具处理；扩充了数据类型，支持自定义数据类型；支持元素的继承和属性组；支持命名空间，避免命名冲突。

五、XML 解析

5.1 操作 XML 文档概述

对 XML 文档的操作主要包括增删改查（CRUD），XML 解析方式分为 DOM（Document Object Model）和 SAX（Simple API for XML），这两种方式是跨语言的解析方式。

5.2 DOM4J

概述：DOM4J 是专门为 Java 开发人员提供的 XML 文档解析规范，与 DOM 相似但更方便。它支持 DOM 和 SAX 模式，解析结果是 org.dom4j.Document 对象。
类结构：在 DOM4J 中，所有 XML 组成部分都是一个 Node，Document 和 Element 等可以包含子节点的节点是 Branch 的子接口。
获取 Document 对象：

SAXReader reader = new SAXReader();
Document doc = reader.read("src/students.xml");

保存 Document 对象：

doc.addDocType("students", "", "students.dtd");
OutputFormat format = new OutputFormat("\t", true);
format.setEncoding("UTF-8");
XMLWriter writer = new XMLWriter(new FileWriter(xmlName), format);
writer.write(doc);
writer.close();

创建 Document 对象：

Document doc = DocumentHelper.createDocument();

5.3 Document 操作

以遍历 students.xml 为例：

// 获取 Document 对象
SAXReader reader = new SAXReader();
Document doc = reader.read("src/students.xml");
// 获取根元素
Element root = doc.getRootElement();
// 获取根元素的所有子元素
List<Element> studentList = root.elements();
// 遍历每个 student 元素
for (Element student : studentList) {
    // 打印 student 元素的 number 属性
    String number = student.attributeValue("number");
    System.out.println("Number: " + number);
    // 打印 student 元素的 name 子元素内容
    String name = student.elementText("name");
    System.out.println("Name: " + name);
    // 打印 student 元素的 age 子元素内容
    String age = student.elementText("age");
    System.out.println("Age: " + age);
    // 打印 student 元素的 sex 子元素内容
    String sex = student.elementText("sex");
    System.out.println("Sex: " + sex);
}

5.4 XPath

定义：XPath 是一种用于确定 XML 文档中某部分位置的语言，基于 XML 的树状结构，可用于小型查询。
DOM4J 对 XPath 的支持：Node 接口中的三个常用方法：
- List selectNodes(String xpathExpression)：查找满足 XPath 表达式的所有子节点。
- Node selectSingleNode(String xpathExpression)：查找满足 XPath 表达式的第一个子节点。
- String valueOf(String xpathExpression)：查找满足 XPath 表达式的第一个子节点的文本内容。