Document Type Definition (DTD) e analisi sintattica di XML

• Il tipo di documento (DTD)
• Dichiarazioni di elementi e content model
• Relazione tra DTD e ECFG
• Esempi di DTD
• Dichiarazioni di entità e di attributi

Forma di un documento XML

Un documento XML è costituito da:

• un prologo (opzionale), costituito da
  • una dichiarazione XML
  • una DTD (Document Type Definition)
• un'istanza di documento, contenente
  • testo libero
  • elementi
  • attributi
  • entità
  • ...

Funzione del DTD

Un documento XML ben formato può avere una struttura arbitraria:

• elementi di nome arbitrario
• attributi arbitrari in qualunque elemento
• elementi organizzati in modo arbitrario

Sono utili, ma poco più utili di testo non strutturato.

Serve un meccanismo per imporre struttura ad un documento:

• elementi ammessi
• attributi ammessi
• stutturazione degli elementi
• definizione di nuove entità (interne ed esterne)

Dichiarazione di tipo di documento (DTD)

Un DTD specifica quali sono le strutture ammesse per l'istanza di documento:

• specifica il tipo del documento, ovvero il tipo dell'elemento radice
• contiene tre insiemi di dichiarazioni:
  • di tipi di elemento
  • di attributi
  • di entità

L'insieme di tipi di elemento in un DTD viene detto vocabolario.

Dichiarazioni in XML

In XML tutte le dichiarazioni hanno la forma: 

<!OGGETTO-DICHIARATO ... >

Esempi:

    <!DOCTYPE ... >
    <!ELEMENT ... >
    <!ATTLIST ... >
    <!ENTITY ... >
    <!NOTATION ... >

Dichiarazione di tipo di documento

Un documento XML può contenere una DTD.

La DTD deve precedere il primo elemento (l'elemento radice).

Le dichiarazioni nella DTD possono essere:

• interne al documento stesso
  <!DOCTYPE esempio [
     <!ELEMENT esempio (#PCDATA)> ]>
  
• esterne al documento in un altro file
  (locale o specificato da un URI)

  <!DOCTYPE esempio SYSTEM "esempio.dtd">

• esterne con un DTD subset interno

DTD - Esempio

Documenti XML validi

Un documento XML viene detto valido se:

1. è ben formato, ovvero rispetta tutti vincoli imposti da XML
2. contiene una dichiarazione di tipo di documento
3. è conforme alla DTD

Osservazione: lo spazio bianco non è rilevante (di norma)

Dichiarazioni di tipo di elemento

Sintassi di una dichiarazione di tipo di elemento:

  <!ELEMENT  nome-elemento  content-model>

Il content model specifica la struttura degli elementi di nome nome-elemento.

content model è un'espressione regolare costruita su:

• i tipi di elemento
• #PCDATA (Parsed Character Data), che rappresenta del testo libero (senza etichette)

Ci sono delle limitazioni nell'uso di #PCDATA nel content model che vedremo più avanti.

Forma del content model

Operatori usati nel content model sono quelli delle espressioni regolari:

• sequenza, indicata con (a,b,...,h)
• alternativa, indicata con (a | b | ... | k)
• opzionalità, indicata con a?
• ripetizione zero o più volte, indicata con a*
• ripetizione una o più volte, indicata con a+

Istanze di documento conformi ad un DTD

Un'istanza di documento è conforme ad un DTD se può essere generata a partire dal tipo di elemento iniziale applicando le produzioni (ovvero le dichiarazioni di tipo di elemento) del DTD.

• l'applicazione di una produzione consiste nel considerare una parola w del linguaggio (sui terminali e tipi di elemento) definito dal content model , generare per ogni simbolo in w la parte di istanza di documento corrispondente e infine concatenare le parti così ottenute;
• ogni volta che viene applicata una produzione la parte di istanza di documento generata viene racchiusa tra le etichette iniziale <E> e finale </E> del tipo di elemento E che compare nella parte sinistra della produzione.

Grammatiche context free estese (ECFG)

Le ECFG sono estensioni delle CFG:

• hanno lo stesso potere espressivo delle CFG
  (definiscono la stessa classe di linguaggi)
• permettono di scrivere una grammatica in forma più compatta
• le produzioni hanno una forma più generale, che fa uso di espressioni regolari:
  • parte sinistra: è un nonterminale (come per le CFG)
  • parte destra: è un'espressione regolare su terminali e nonterminali (invece che una semplice sequenza)
    

Derivazione di frasi nelle ECFG

Per derivare (generare) una frase del linguaggio:

• si parte dal simbolo iniziale
• si applicano le produzioni espandendo i nonterminali
• l'espansione di un nonterminale secondo una produzione avviene in due passi:
  1. si effettua l'espansione del non terminale sostituendolo con la parte destra di una regola (che in generale è un'espressione regolare)
  2. si sostituisce l'espressione regolare con una parola del linguaggio generato da essa generato
• ci si ferma quando non ci sono più nonterminali da espandere

Relazione tra DTD e ECFG

Un dichiarazione di tipo di elemento corrisponde ad una produzione di una ECFG:

• il nome dell'elemento corrisponde al nonterminale nella parte sinistra
• il content model corrisponde all'espressione regolare nella parte destra

Il tipo di documento specificato nella DTD corrisponde al simbolo iniziale della grammatica.

Relazione tra DTD e ECFG (2)

La DTD (vista come grammatica) genera l'insieme di documenti validi.

Importante differenza tra ECFG e DTD:

• nelle ECFG: quando si applica una produzione si sostuisce in modo opportuno
• nelle DTD: ogni applicazione di una produzione genera anche una coppia di etichette (che racchiude la parte di documento generata dalla produzione)

Le etichette nel documento "dicono" quali produzioni sono state applicate.

Motivazione: analizzatori sintattici semplici ed efficienti

Relazione tra DTD e ECFG - Esempio

DTD:

S => <S>  AB+ </S> => <S>  AB </S> 
=>  <S> <A> a </A>  B </S>
=> <S> <A> a </A>  <B>b </B></S>

ECFG:

S -> AB+
A -> a
B -> b

S => AB+ => AB => aB => ab

ECFG con marcature:

S -> <S>AB+</S>
A -> <A>#PCDATA</A>
B -> <B>#PCDATA</B>

DTD e grammatica context free estesa

• I terminali della grammatica sono #PCDATA,
• I nonterminali della grammatica sono i tipi di elemento
• le dichiarazioni di tipo di elemento corrispondono alle produzioni della grammatica.
• I documenti etichettati sono le stringhe generate dal linguaggio
• I documenti etichettati hanno una struttura ad albero determinata dalle etichette

Analisi sintattica

Una conseguenza importante del fatto che ogni istanza di documento conforme ad un DTD contiene le etichette derivanti dall'applicazione delle produzioni, è che il linguaggio (comprese le etichette) generato da un DTD è un linguaggio LL(1).

• la parte sinistra della produzione che è stata applicata per generare una determinata sottostringa è univocamente determinata dall'etichetta iniziale (basta un lookahead pari a 1);
• non è possibile la ricorsione sinistra a causa della presenza delle etichette;
• il linguaggio generato dal content model è un linguaggio regolare, quindi è LL(1);
• la parte di sottostringa generata da un content model può essere univocamente determinata in base all'etichetta finale corrispondente all'etichetta iniziale.

I documenti XML sono alberi

L'annidamento degli elementi definisce in modo esplicito una struttura ad albero:

<Mail>
  <From> <Address> Dante@dsn.fi.it </Address> </From>
  <To> <Address> Beatrice@pitti.fi.it </Address>
       <Address> Virgilio@spqr.rm.it </Address>
  </To>
  <Subject> Appointment </Subject>
  <Body> Why don't we meet at disco.inferno at
        midnight. Tell also Caronte.  Cheers,
        - D.A.
  </Body>
</Mail>

Il Document Object Model

Ad ogni documento XML corrisponde una struttura ad albero:

• ad ogni elemento corrisponde un nodo interno
• al testo libero corrispondono le foglie
• i figli di un nodo (elemento) sono gli elementi o il testo in esso contenuti
• il modello ad albero può essere esteso anche ad attributi, commenti, istruzioni di processamento, ...

Definito in modo standard dal Document Object Model

• fornisce un'API per manipolare i nodi dell'albero
• introduce un livello di astrazione tra il documento XML e l'applicazione che lo deve processare

DTD - Esempi

Negli esempi che seguono:

• assumiamo che il documento contenga sempre la dichiarazione di tipo di documento:

  <!DOCTYPE ESE SYSTEM "esempio.dtd"> (che fa riferimento al file esterno esempio.dtd)

• mostriamo solo:
  • il contenuto del file esempio.dtd
  • l'istanza di documento, ovvero l'elemento radice

DTD - Esempi (1)

  <!ELEMENT ESE (#PCDATA)>

Il tipo dell'elemento radice deve essere il tipo di documento.

  <ESE>questo documento e` valido</ESE>

Documenti non validi:

  <boh>questo documento NON e` valido</boh>
  <ese>XML e` case sensitive</ese>

DTD - Esempi (2)

  <!ELEMENT ESE (#PCDATA)>

A #PCDATA deve corrispondere solo testo senza elementi annidati. Il testo può anche essere vuoto

  <ESE>questi documenti sono validi</ESE>
  <ESE></ESE>
  <ESE/>

Documento non valido:

  <ESE>questo documento <b>NON</b> e` valido</ESE>

DTD - Esempi (3)

Elemento che contiene una sequenza fissata di altri elementi.

  <ESE> <P1>questa e` la prima parte</P1>
        <P2>questa e` la seconda parte</P2> </ESE>
  <ESE> <P1/> <P2>la prima parte e` vuota</P2> </ESE>

Documenti non validi:

  <ESE> <P1>manca P2</P1> ____ </ESE>
  <ESE> <P2/> <P1>ordine sbagliato</P1> </ESE>
  <ESE> <P1/> <P2/> <P2>un solo P2</P2> </ESE>
  <ESE> NO testo libero <P1/> <P2/> </ESE>

DTD - Esempi (4)

Elemento che occorre zero o più volte.

  <ESE> <IN>intro</IN> <S>sez1</S> <S>sez2</S> </ESE>
  <ESE> <IN>senza sezioni</IN> </ESE>

Documenti non validi:

  <ESE>    <S>intro ci deve essere</S> </ESE>
  <ESE> <S>solo dopo intro</S> <IN/> <S>sez1</S> </ESE>

DTD - Esempi (5)

  <!ELEMENT ESE (IN, S+)>
  <!ELEMENT IN  (#PCDATA)>
  <!ELEMENT S   (#PCDATA)>

Elemento che occorre una o più volte.

  <ESE> <IN>intro</IN> <S>sezione unica</S> </ESE>
  <ESE> <IN>intro</IN> <S>sez1</S> <S>sez2</S> </ESE>

Documenti non validi:

  <ESE> <IN>almeno una sezione</IN> _____ </ESE>
  <ESE> _____  <S>intro ci deve essere</S> </ESE>
  <ESE> <S>solo dopo intro</S> </IN> <S>sez1</S> </ESE>

DTD - Esempi (6)

  <!ELEMENT ESE (IN?, S+)>
  <!ELEMENT IN  (#PCDATA)>
  <!ELEMENT S   (#PCDATA)>

Elemento opzionale.

  <ESE> <IN>intro</IN> <S>sez1</S> <S>sez2</S> </ESE>
  <ESE> <S>senza introduzione</S> </ESE>

Documenti non validi:

  <ESE> <IN>intro</IN> <IN>intro unica</IN> <S/> </ESE>
  <ESE> <IN>almeno una sezione</IN> _____  </ESE>
  <ESE> <S>solo dopo intro</S> </IN> <S>sez1</S> </ESE>

DTD - Esempi (7)

  <!ELEMENT ESE (IN?, (A1 | A2))>
  <!ELEMENT IN  (#PCDATA)>
  <!ELEMENT A1  (#PCDATA)>
  <!ELEMENT A2  (#PCDATA)>

Una tra più alternative.

  <ESE> <IN>intro</IN> <A1>alternativa 1</A1> </ESE>
  <ESE> <IN>intro</IN> <A2>alternativa 2</A2> </ESE>
  <ESE> <A1>senza introduzione</A1> </ESE>

Documenti non validi:

  <ESE> <IN>serve una delle 2</IN> _____ </ESE>
  <ESE> <IN/> <A1>al piu` una delle 2</A1> <A2/> </ESE>
  <ESE> <IN/> <A1>qui solo testo <A2/> </A1> </ESE>

DTD - Esempi (8.1)

Elementi annidati a un numero fisso di livelli.

  <ESE> <TI>esempi xml</TI>
        <S1> <TI>sez 1</TI>
             <S2>sez 1.1</S2>
        </S1>
        <S1> <TI>sez 2 ha solo titolo<TI> </S1>
        <S1> <S2/> </S1>
        <S1/>
  </ESE>

DTD - Esempi (8.2)

  <!ELEMENT ESE (TI, S1+)>
  <!ELEMENT TI  (#PCDATA)>
  <!ELEMENT S1  (TI?, S2*)>
  <!ELEMENT S2  (#PCDATA)>

Documenti non validi:

  <ESE> <TI>manca sez. liv. 1</TI> _____ </ESE>
  <ESE> _____
        <S1> niente testo direttamente in S1
             <S2>sezione 1.1</S2>
             <S2>sezione 1.2</S2>
             <S2> <TI>solo testo in S2</TI> </S2>
        </S1>
  </ESE>

DTD - Esempi (9)

Elementi annidati a livelli arbitrari.

  <ESE> <TI>esempi xml</TI>
        <S> <TI>tit sez.1</TI> <TXT>testo 1</TXT> </S>
        <S> <TI>tit sez.2</TI>
            <S> <TXT>testo sez.2.1</TXT> </S>
            <S> <TI>titolo sez.2.2</TI>
                <S> <TXT>testo sez.2.2.1</TXT> </S>
            </S>
        </S>
  </ESE>

DTD - Esempi (10)

  <!ELEMENT ESE (TI, S+)>
  <!ELEMENT S   (#PCDATA | COM | S)*>
  <!ELEMENT TI  (#PCDATA)>
  <!ELEMENT COM (#PCDATA)>

Un elemento può contenere testo misto ad altri elementi (elemento a contenuto misto).

  <ESE> <TI>esempi xml</TI> <S>sezione 1</S>
     <S> sezione 2 <S>sezione 2.1</S>
         <COM>commento in sez. 2</COM>
         altro testo di sezione 2
         <S> sezione 2.2 <S>sezione 2.2.1</S>
             <COM>sez. 2.2.2 vuota</COM> <S/> </S>
     </S>
  </ESE>

Elementi a contenuto misto

#PCDATA ed altri elementi non possono essere combinati in modo arbitrario nel content model.

L'unica possibilità di combinarli è:

<!ELEMENT elem (#PCDATA | elem1 | ... | elemk)*>

Un elemento di questo tipo viene detto a contenuto misto:

• il suo contenuto è una sequenza arbitraria di testo libero ed elementi di tipo elem1,...,elemk
• non posso imporre una struttura più precisa alla combinazione di questi elementi

Uso scorretto di #PCDATA nel content model

Un content model che contiene #PCDATA ed altri elementi e non ha la forma vista prima è scorretto.

  <!ELEMENT ESE (TI, #PCDATA)>
  <!ELEMENT ESE (TI?, #PCDATA)>
  <!ELEMENT ESE (TI, (#PCDATA | S*))>
  <!ELEMENT ESE (TI, (#PCDATA | S)*)>
  <!ELEMENT S   (#PCDATA | COM | S)+>
  <!ELEMENT COM (#PCDATA)+>

Elementi con contenuto EMPTY

Un elemento può essere forzato ad avere contenuto vuoto:

<!ELEMENT elem EMPTY>

Un elemento dichiarato EMPTY può comparire solo con l'etichetta di elemento vuoto.

  <!ELEMENT VUOTO EMPTY>
  <!ELEMENT E1    (#PCDATA)>

Corretto:

<E1></E1> <E1/> <VUOTO/>

Scorretto:

<VUOTO> deve essere vuoto </VUOTO>
  <VUOTO></VUOTO>

Uso di elementi con contenuto EMPTY

Non sono inutili in quanto aggiungono informazione al documento:

• attraverso attributi associati all'elemento
  
    <IMG src="colosseo.gif"
         align="left"
         height="50"
         width="30"/>
  
• attraverso la presenza stessa dell'elemento

  <BR/> di HTML

Elementi con contenuto ANY

Si può usare il contenuto ANY per specificare che il contenuto di un elemento è una sequenza di testo ed elementi qualsiasi:

  <!ELEMENT elem ANY>

Tutti gli elementi che compaiono in un elemento con contenuto ANY devono essere stati dichiarati.

  <!ELEMENT TUTTO ANY>
  <!ELEMENT E1    (#PCDATA)>
  <!ELEMENT E2    (#PCDATA)>

Corretto: 

<TUTTO> <E1>xxx</E1> yyy <E2/> <E1/> </TUTTO>

Scorretto:

<TUTTO> <E3>non dichiarato</E3> </TUTTO>

Entità

Un documento XML:

• da un punto di vista logico: è suddiviso in elementi.
• da un punto di vista fisico: può essere memorizzato su più file

Un'entità è un'unità di memorizzazione contenente una parte di un documento XML:

• l'unità che contiene la dichiarazione XML, la DTD e l'elemento radice è l'entità documento
• l'elemento radice e i sottoelementi possono contenere riferimenti ad altre entità

Uso delle entità

• definire abbreviazioni usate comunemente nel documento
• suddividere il documento in più parti, memorizzate separatamente
• suddividere la DTD in più parti e renderla modulare

Dichiarazioni e riferimenti ad entità

• entità interne: il cui valore è definito nel documento stesso (specie di macro)
  <!ENTITY  nome-entita  "testo">
• entità esterne: il cui valore è accessibile tramite un'URI
  <!ENTITY  nome-entita  SYSTEM  "URI">

La nozione di Uniform Resource Identifier (URI) generalizza quella di Uniform Resource Locator (URL), separando la risorsa dalla sua locazione.

Riferimento ad un'entità nel documento:   &nome-entita;

Entità - Esempi

Dichiarazioni nel DTD:

  <!ENTITY DIS      "Dip. di Informatica e Sist.">
  <!ENTITY SEZIONE1 SYSTEM "sezione1.xml">
  <!ENTITY SEZIONE2 "<Sezione>Da scrivere.</Sezione>">

Riferimenti nell'istanza di documento:

  Presso il &DIS; vengono studiati i linguaggi
  per dati semistrutturati, come illustrato nelle
  due sezioni seguenti.
  &SEZIONE1;
  &SEZIONE2;

Processamento di entità

• entità parsable, il cui valore è testo ben formato
  • se contiene un'etichetta iniziale deve contenere anche la corrispondente etichetta finale
  • le entità interne devono essere parsable
• entità non parsable, il cui valore è arbitrario
  • non vi si può far riferimento nel testo
  • possono comparire solo come valori di attributi di tipo ENTITY

Un processore XML sostituisce tutti i riferimenti alle entità parsable con il loro valore prima di passare il documento all'applicazione.

Entità parametro

Sono entità che si possono usare nel DTD (non nell'internal DTD subset).

<!ENTITY % Text "CDATA">
<!ENTITY % coreattrs
 "id          ID             #IMPLIED
  class       CDATA          #IMPLIED
  title       %Text;         #IMPLIED
  ..." >

Riferimento ad un'entità parametro:   %nome-entita;

È permesso solo nel DTD.

Usi delle entità parametro

• modularizzare il DTD
• suddividerla su più file

Uso di un DTD esterno

<!ENTITY % formule SYSTEM "http://.../formule.dtd">
%formule

Dichiarazioni di attributi

Un elemento può contenere degli attributi nell'etichetta iniziale.

Se il documento è valido tutti gli attributi devono essere stati dichiarati.

Sintassi di una dichiarazione di attributi per un elemento: 

<!ATTLIST  nome-elemento  lista-attributi>

• nome-elemento specifica l'elemento per cui si dichiarano gli attributi.
• lista-attributi è una lista di specifiche
  
  nome  tipo  valore-di-default

Specifica di un attributo

• nome, da usare nell'etichetta iniziale per assegnargli un valore
• tipo, che specifica quali sono i possibili valori che l'attributo può assumere
• valore-di-default, ossia cosa fare quando l'attributo non viene esplicitamente assegnato nell'etichetta iniziale

Tipi degli attributi

XML distingue 10 possibili tipi di attributo:

• enumerato, ovvero una lista di possibili valori
• CDATA: testo senza marcatura (è il tipo più comune);
  il testo non può contenere "<'" e """
• ID: il valore dell'attributo identifica l'elemento;
  ci può essere un solo attributo di tipo ID per elemento
• IDREF: il valore dell'attributo è l'ID di un altro elemento

Tipi degli attributi (2)

• ENTITY: il nome di un'entità dichiarata nel DTD
  permette di collegarsi a dati esterni in forma binaria (ad es. un'immagine)
• NMTOKEN: un nome XML corretto
  in nomi XML coincidono con gli identificatori Java, JavaScript, ...)
• IDREFS, ENTITIES, NMTOKENS: versioni al plurale dei precedenti (valori separati da spazio)
• NOTATION: il nome di una notation XML
  una notation permette di specificare il formato di dati non-XML e un'applicazione che li processi

Specifica del valore di default

Il valore-di-default può essere

• un valore esplicito che viene assunto in mancanza di specifica
  
  <!ATTLIST P align (left|center|right) "left" ...>
  
  
• #REQUIRED, che obbliga a specificare l'attributo
• #IMPLIED, che rende la specifica del valore opzionale
• #FIXED "valore-fisso", che fissa l'attributo ad avere un valore fisso (non può essere modificato all'interno del documento)

Dichiarazione di attributi - Esempio

Elemento img di XHTML:

  <!ELEMENT img EMPTY>
  <!ATTLIST img
     id          ID             #IMPLIED
     class       CDATA          #IMPLIED
     title       CDATA          #IMPLIED
     src         CDATA          #REQUIRED
     alt         CDATA          #REQUIRED
     longdesc    CDATA          #IMPLIED
     height      CDATA          #IMPLIED
     width       CDATA          #IMPLIED
     usemap      CDATA          #IMPLIED
     ismap       (ismap)        #IMPLIED
     ...
  >

Attributi ID e IDREF - Esempio

Attributi di tipo ENTITY

Permettono di riferirsi a dati esterni in forma binaria.

Il valore di un attributo di tipo ENTITY è il nome di un'entità esterna dichiarata nel DTD.

  <!ELEMENT IMAGE EMPTY>
  <!ATTLIST IMAGE SOURCE ENTITY #REQUIRED>
  <!ENTITY LOGO SYSTEM "logo.gif">

Nel documento posso inserire un riferimento all'immagine:

  ...
  <IMAGE SOURCE="LOGO"/>
  ...

Riferimenti

Extensible Markup Language (XML) 1.0 (Fifth Edition) W3C Recommendation

Tutorial (in inglese) su DTD