Bases de Datos - Parte 9/10 XML

1

Sistemas de Información II

Tema 9. Procesamiento de texto XML

Carlos Castillo

UPF – 2007

2

Agenda

XML como texto estructurado

Procesamiento de XML

Validación de XML con DTDs

3

XMLTexto Estructurado

5

HTMLLenguaje usado para escribir páginas Web

Inicialmente

Estructura

Actualmente

Presentación

6

Código HTMLDescribe tamaño, posición, etc...

7

HTML y datosDifícil extraer el texto importante

8

Pérdida de información

<h1>Gente</h1>

<dl><dt>Perez</dt><dd>12345 – Calle 111</dd><dt>González</dt><dd>67889 – Calle 222</ddd></dl>

Página HTML

Despliegue Extracción

9

XML: Objetivos

Describir contenido, no presentación

Nuevos tags

Estructuras anidadas

Documentos autodescriptivos

Representación textual de los datos

Para almacenamiento, trasmisión

“Internacionalizable”

Legible

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

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.

12

Texto y Árbol

Un documento corresponde a un árbol

<?xml version=”1.0”?>

<agenda> <persona> <nombre>Juan</nombre> <fono>123</fono> </persona> <persona> <nombre>Pedro</nombre> <fono>234</fono> </persona></agenda>

A

P P

N F N F

J 1 P 2

13

Sintaxis elementos

<persona>

Tag inicial

</persona>

Tag final

“Juan”

Nodo textual

<persona/>

Nodo vacío

14

Sintaxis atributosAtributos 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

15

Ejemplo uso de atributos (1)

<menu>

<menuitem portion="250 ml">

<name>Small soft drink</name>

</menuitem>

<menuitem portion="500 g">

<name>Sirloin steak</name>

</menuitem>

</menu>

16


<menu>

<menuitem portionsize="250”

portionunit=”ml">

<name>...</name> </menuitem>

<menuitem portionsize=”500”

portionunit="g">


</menu>

17


<menu>

<menuitem>

<portion unit=”ml”>250</portion>


<menuitem>

<portion unit=”g”>500</portion>


</menu>

18

Sutilezas (newlines)<tag>\n<tag a=”1”\nb=”2”>\nTexto\nTexto\n</tag><tag>Texto</tag>\n</tag>

<tag>\n<tag a=”1”\nb=”2”>\nTexto\nTexto\n</tag><tag>Texto</tag>\n</tag>

<tag><tag a=”1”b=”2”>Texto\nTexto</tag><tag>Texto</tag></tag>

19

XML Contenido

20

Procesamiento de XML

Orientado a eventos

SAX – Simple API for XML

Más rápido

Orientado a estructura

DOM

Más usable

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

22

Ejemplo de parsing en SAX

saxParse(“...”,start,text,end) text("Hola") start("b") text("mundo") end("b") end("p")

<p>Hola <b>mundo</b></p>

23

Parsing DOM

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...

doc = DOMParse( “archivo.xml”)

24

Ejemplo de DOM en Java

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("recipe")) { n = n.getNextSibling(); } PrintStream out = System.out; out.println("<?xml version=\"1.0\"?>"); out.println("<collection>"); if (n!=null) print(n, out); out.println("</collection>"); }

Extraer primer nodo “recipe” (receta) en un documento XML

25

Validación de XML

26

Diferentes aplicaciones de XML

<?xml version=”1.0”?><pacientes> <paciente> <nombre>Juan</nombre> <apellido>Perez</apellido> <edad>38</edad> </paciente>...</pacientes>

doc1.xml<?xml version=”1.0”?><lavadoras> <lavadora> <marca>Samsung</marca> <modelo>RX1200</modelo> </lavadora>...</lavadoras>

doc2.xml

personas.dtd

productos.dtd

27

Documento XML bien formado

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

28

Documento XML válido

Se dice que un documento XML es válido si está de acuerdo con una cierta

especificación de tipo de dato.

29

Procesamiento

doc.xml

Parsing

Validación

... procesamiento

tipo.dtd

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

31

Ejemplo simple DTD 1

<!ELEMENT ejemplo (#PCDATA)>

<!DOCTYPE ejemplo SYSTEM ejemplo.dtd><ejemplo> Este es un ejemplo.</ejemplo>

ok1.xmlejemplo.dtd

<!DOCTYPE ejemplo SYSTEM ejemplo.dtd><ejemplo/>

ok2.xml

32

Ejemplo simple DTD 2

<!ELEMENT ejemplo (#PCDATA)>

<!DOCTYPE ejemplo SYSTEM ejemplo.dtd><inicioejemplo> Este es un ejemplo.</finejemplo>

(NO ESTA BIEN FORMADO)

malo1.xml

ejemplo.dtd

<!DOCTYPE ejemplo SYSTEM ejemplo.dtd><example> Este es un ejemplo.</example>

(NO ES VÁLIDO)

malo2.xml

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

34

Contenido ELEMENT

<!ELEMENT mensaje (urgente?, asunto, cuerpo)><!ELEMENT asunto (#PCDATA)><!ELEMENT cuerpo (#PCDATA|cita)*><!ELEMENT cita (#PCDATA)><!ELEMENT urgente EMPTY>

ejemplo.dtd Un elemento tiene contenido ELEMENT, si solo puede contener a otros elementos, opcionalmente separados por espacios en blanco.

35

Contenido TEXT


ejemplo.dtd Un elemento tiene contenido TEXT, si solo puede contener texto

(PCDATA = printable character data)

36

Contenido MIXED


ejemplo.dtd Un elemento tiene contenido MIXED, si puede contener texto u otros elementos

Nota: #PCDATA debe aparecer primero en la lista ej.: “(#PCDATA|cita)”

37

Contenido EMPTY


ejemplo.dtd Un elemento tiene contenido EMPTY, si no puede contener otros elementos

38

Ejemplos documentos 1/4


ejemplo.dtd<?xml version=”1.0”?><!DOCTYPE mensaje SYSTEM “asunto.dtd”><mensaje> <urgente/> <asunto> Agenda del curso </asunto> <cuerpo> <cita> Por favor enviar agenda </cita> Te envio la agenda ahora </cuerpo></mensaje>

ok1.xml

39



ejemplo.dtd<?xml version=”1.0”?><!DOCTYPE mensaje SYSTEM “asunto.dtd”><mensaje> <asunto> Agenda del curso </asunto> <cuerpo> Te envio la agenda ahora </cuerpo></mensaje>

ok2.xml

40



ejemplo.dtd<?xml version=”1.0”?><!DOCTYPE mensaje SYSTEM “asunto.dtd”><mensaje> <urgente>Si</urgente> <asunto/> <cita>Enviar</cita> <cuerpo> Te envio la agenda ahora </cuerpo></mensaje>

malo1.xml

41



ejemplo.dtd<?xml version=”1.0”?><!DOCTYPE mensaje SYSTEM “asunto.dtd”><mensaje> <cuerpo> Te envio la agenda ahora </cuerpo> <asunto>Test</asunto></mensaje>

malo2.xml

42

Orden e inclusion de elementos

<! 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)>

ejemplo.dtd

43

Orden de elementos, ejemplo

<!ELEMENT mensaje (urgente?|asunto|cuerpo)><!ELEMENT asunto (#PCDATA)><!ELEMENT cuerpo (#PCDATA|cita)*><!ELEMENT cita (#PCDATA)><!ELEMENT urgente EMPTY>

msj.dtd<?xml version=”1.0”?><!DOCTYPE mensaje SYSTEM “msj.dtd”><mensaje> <cuerpo/> <asunto/></mensaje>

ok.xml

44

Atributos

<!ELEMENT lavadora EMPTY><!ATTLIST lavadora carga NMTOKEN #IMPLIED marca CDATA #IMPLIED voltaje NMTOKENS #REQUIRED>

<! #IMPLIED=opcional >

lavadora.dtd CDATA:

texto

NMTOKEN:

“abc...z0123..9-_:.”

NMTOKENS:

NMTOKEN + espacios

ID: empezar con letra

IDREF: ser un ID

45

Atributos, ejemplo

<!ELEMENT lavadora EMPTY><!ATTLIST lavadora carga NMTOKEN #IMPLIED marca CDATA #IMPLIED voltaje NMTOKENS #REQUIRED>

lavadora.dtd<?xml version=”1.0”?><!DOCTYPE lavadora SYSTEM “lavadora.dtd”><lavadora carga=”frontal” marca=”Samsung 10XE” voltaje=”210V 110V”/>

lavadora.xml

46

Repetición de elementos

<!ELEMENT bib (libro|revista)+><!ELEMENT libro (titulo,autor)><!ELEMENT revista (titulo,autor)><!ELEMENT titulo (#PCDATA)><!ELEMENT autor (#PCDATA)>

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

biblioteca2.dtd

47

Repetición de atributos

<!ELEMENT bib (libro|revista)+><!ELEMENT libro EMPTY><!ATTLIST libro titulo CDATA #REQUIRED editorial CDATA #REQUIRED autor CDATA #REQUIRED><!ATTLIST revista titulo CDATA #REQUIRED editorial CDATA #REQUIRED numero NMTOKEN #REQUIRED>

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

biblioteca2.dtd

48

Resumen

XML = Texto estructurado

DTD = Descripción de estructura

Validar XML usando DTD

Bases de Datos - Parte 9/10 XML

Technology

Transcript of Bases de Datos - Parte 9/10 XML