Cours de XML - Concepts de base

version 2.31, dernière mise à jour le 15 février 2011.

  

Table des matières (TdM)

  1. I. Historique : de SGML à XML
    1. SGML et HTML
      1. Le SGML
      2. Le HTML
    2. XML
  1. II. Mise en œuvre
    1. Procédure
    2. Exemple : une bibliographie
    3. Exercice : Structuration d'informations 1
    4. Exercice : Structuration d'informations 2
  1. III. Structure d'un document XML
    1. Généralités
    2. Le prologue
      1. Déclaration XML
      2. Instructions de traitement
      3. Déclaration de type de document (DTD)
    3. Les commentaires
    4. L'arbre d'éléments
      1. Introduction
      2. Élément racine
      3. Les éléments
      4. Les attributs
      5. Les entités
      6. Les sections CDATA
    5. Règles de composition

Retour au menu

Contenu du cours

I. Historique : de SGML à XML

XML dérive d'un langage développé dans les années 80, le SGML. Ce langage était complexe à apprendre et utiliser quotidiennement. Une version allégée, le HTML a donc été développée ; mais ce dernier, malgré de nombreuses adaptations, ne pouvait pas être étendu à l'infini, au fur et à mesure de l'augmentation des besoins des développeurs. C'est alors que fut créé le XML.

1. SGML et HTML

a. Le SGML

Le SGML (Standard Generalized Markup Language, langage de balisage standard généralisé), premier essai de normalisation concernant les documents électroniques, a été adopté comme standard en 1986.

Le SGML est constitué de plusieurs composants. Ceux-ci changent pour chaque application SGML :

Ce langage servant à préciser la structure d'un document quelconque, il est compréhensible que sa généralité le rende difficile d'apprentissage, et complexe d'emploi. En particulier, il était inadapté à l'écriture de documents pour Internet. Il a donc été nécessaire d'en dériver le langage HTML.

>Retour à la TdM

b. Le HTML

Comme il a été dit précédemment, c'est aujourd'hui le standard du développement web. Il a été étendu par le XHTML, un langage qui lui est extrêmement similaire, mais permettant la production de documents aux normes XML.

Ce langage est facile à apprendre et à utiliser ; il a d'ailleurs donné lieu au développement de nombreux outils de publication sur Internet :

... sans oublier qu'il est possible d'utiliser de simples éditeurs de texte comme (X)Emacs sous Linux ou bien le Bloc-Notes sous Windows.

Le HTML étant une application SGML, il est donc lié lui aussi à une DTD. Il en existe parfois plusieurs par version d'HTML. Celles de la version 4.01 se trouvent référencées sur le site web du W3C : DTD HTML 4.01 Strict, Transitional, Frameset...

Un inconvénient du HTML est son champ d'action limité : il n'est ainsi pas possible de définir autre chose qu'une page Web, ce qui est compréhensible puisque ce langage a été spécifiquement conçu pour cela. Par exemple, on ne peut ajouter de nouveaux éléments (on pourrait imaginer insérer des équations mathématiques, mais ce n'est pas possible en HTML stricto sensu).

Au bout de quelques années, la demande se faisant de plus en plus forte pour la définition d'un nouveau format, et le langage HTML rencontrant ses limites, le W3C a commencé à organiser des groupes de travail sur XML, un autre descendant du SGML.

>Retour à la TdM

2. XML

Le XML est un dérivé du SGML. Il tente de se servir des principes de simplicité du HTML et de la souplesse SGML.

Simplification de SGML, puisqu'il ne reste que 35 pages de spécification contre 155 pages pour le SGML, le format XML est rapidement apparu adapté à beaucoup plus d'usages que ses concepteurs le pensaient initialement. Il conserve certains aspects de SGML.

Le plus important point commun avec le SGML est le fait que tout document XML peut être basé sur une DTD ou un Schéma. Cette association n'est cependant pas obligatoire, et un fichier XML peut très bien se suffire à lui-même.

Une autre caractéristique importante est que dans un document XML, la mise en forme des données est totalement séparée des données elles-mêmes. Cela permet de séparer complètement l'information (le contenu) de son apparence (le contenant), et donc de fournir plusieurs types de sortie pour un même fichier de données, en fonction de l'utilisateur ou de l'application demandeuse (autre document XML, tableau, graphique, image, animation multimédia, fichier HTML, fichier PDF...).

Un document XML peut ainsi prévoir plusieurs cibles, comme par exemple l'écran d'un téléphone portable, celui d'un ordinateur de bureau, une base de données, une application logicielle, etc.

De plus, la possibilité de créer les éléments que l'on désire permet de rendre le fichier lui-même lisible -et modifiable- par un être humain : on peut donner aux informations contenues dans un tel fichier les étiquettes que l'on veut, et les ordonner selon son désir.

Il est également possible d'effectuer des sélections par tri, des générations automatiques de tables des matières et bien d'autres choses encore, grâce au langage de feuilles de style XSLT.

>Retour à la TdM

II. Mise en œuvre

1. Procédure

XML permet de nettement séparer forme et fond. Par exemple, cela signifie que pour produire un document HTML à partir de données en utilisant le format XML, il est nécessaire d'écrire au moins deux fichiers, le premier contenant les données à mettre en forme, le second les informations nécessaires à cette mise en forme. En pratique, et dans un souci de normalisation et de généralisation, il peut s'avérer nécessaire d'ajouter un troisième fichier à l'ensemble :

  1. Optionnel : un fichier peut être nécessaire pour définir a priori les balises auxquelles le document XML pourra avoir recours. Ce fichier peut être soit une Document Type Definition soit un Schema (voir plus loin dans le cours) ;

  2. Le document contenant les données elles-mêmes, c'est-à-dire le document XML à proprement parler (une instance du document, au sens SGML) ;

  3. Le document contenant les informations de mise en forme, permettant de produire un fichier dans le format de sortie voulu : une feuille XSLT (eXtensive Stylesheet Language Transformations).

Dans le cas d'un format de sortie HTML, il peut être également nécessaire d'ajouter une feuille de style CSS.

En résumé, si l'on veut produire un fichier HTML à partir de données mises sous format XML, il faut :

  1. Créer éventuellement un fichier définissant les balises utilisables ;

  2. Créer le fichier de données XML ;

  3. Créer la feuille de style XSL permettant la production du fichier HTML ;

  4. Créer éventuellement une feuille de style CSS.

Nous verrons au long de ce cours successivement les étapes 2, 1 et 3.

>Retour à la TdM

2. Exemple : une bibliographie

<?xml version="1.0" encoding="ISO-8859-1"?>
<!-- La ligne ci-dessus est le prologue -->
<!-- Élément racine -->
<biblio>
  <!-- Premier enfant -->
  <livre>
    <!-- Élément enfant titre -->
    <titre>Les Misérables</titre>
    <auteur>Victor Hugo</auteur>
    <nb_tomes>3</nb_tomes>
  </livre>
  <livre>
    <titre>L'Assomoir</titre>
    <auteur>Émile Zola</auteur>
  </livre>
  <livre lang="en">
    <titre>David Copperfield</titre>
    <auteur>Charles Dickens</auteur>
    <nb_tomes>3</nb_tomes>
  </livre>
</biblio>

>Retour à la TdM

Exercice 1. Structuration d'informations 1

Énoncé
Correction

Exercice 2. Structuration d'informations 2

Énoncé
Correction

III. Structure d'un document XML

1. Généralités

Les personnes ayant élaboré XML avaient en tête la simplicité de déclaration et la validation de la structure. De plus, elles souhaitaient tenir compte des expériences du passé en intégrant la grande souplesse syntaxique du SGML et la simplicité d'écriture du HTML.

Comme cela est illustré par l'exemple précédent, un fichier XML est composé d'un prologue, d'un élément racine et d'un arbre. Cet arbre est constitué d'éléments imbriqués les uns dans les autres (ayant une relation parent-enfant) et d'éléments adjacents.

Même s'il est simple de comprendre ce code, on s'aperçoit mieux d'une éventuelle erreur lorsqu'on visualise ce même fichier dans un navigateur.

>Retour à la TdM

2. Le prologue

a. Déclaration XML

Cette déclaration fait partie des « instructions de traitement ». Exemple de déclaration XML :

<?xml version="1.0" encoding="ISO-8859-1" standalone="yes"?>

On distingue trois informations fournies dans cette déclaration :

  1. version : version du XML utilisée dans le document, 1.0 en ce qui nous concerne (la dernière version du langage, 1.1, date de février 2004 mais ne change rien quant à ses bases) ;

  2. encoding : le jeu de codage de caractères utilisé. Le jeu de caractères habituel pour le français est le ISO-8859-1. Il a tendance à être remplacé par l'ISO-8859-15 en attendant la généralisation de l'Unicode. Par défaut, l'attribut encoding a la valeur UTF-8. Cela permet à l'ordinateur de « savoir » quel caractère il doit afficher en réponse aux combinaisons de 1 et de 0 que contient le fichier sur le disque dur ;

  3. standalone : dépendance du document par rapport à une déclaration de type de document. Si standalone a la valeur yes, le processeur de l'application n'attend aucune déclaration de type de document extérieure au document. Sinon, le processeur attend une référence de déclaration de type de document. La valeur par défaut est yes.

Cette déclaration est facultative, mais il est préférable de l'utiliser. Dans ce cas les attributs version, encoding et standalone doivent être placés dans cet ordre. Si elle est utilisée, elle doit être placée en toute première ligne du document XML. Par exemple, il ne faut placer ni commentaire, ni même de simple ligne vide avant elle.

>Retour à la TdM

b. Instructions de traitement

Une instruction de traitement est une instruction interprétée par l'application servant à traiter le document XML. Elle ne fait pas totalement partie du document. Les instructions de traitement qui servent le plus souvent sont la déclaration XML ainsi que la déclaration de feuille de style. Exemple d'instruction de traitement :

<?xml-stylesheet type="text/xsl" href="biblio.xsl"?>

Dans cet exemple, l'application est xml-stylesheet, le processeur de feuille de style de l'application traitant le document XML. Deux feuilles de style différentes peuvent être utilisées, les XSL (propres au XML) ainsi que les CSS (feuilles de style apparues avec le HTML). L'attribut type indique de quel type de fichier il s'agit (text/css pour les feuilles de style CSS, par exemple) et l'attribut href indique l'URL du fichier. Cette instruction de traitement est notamment utilisée par les navigateurs Internet pour la mise en forme du document.

>Retour à la TdM

c. Déclaration de type de document (DTD)

Cette déclaration, lorsqu'elle est présente, permet de définir la structure du document. Elle peut être de deux types, externe ou interne. Exemple de déclaration de type de document :

<!DOCTYPE biblio SYSTEM "biblio.dtd">

Ce type de déclaration est celui d'une déclaration de type de document externe (voir le chapitre sur les DTD). Elle définit l'ensemble des éléments utilisables dans le document, y compris l'élément-racine (ici biblio) ainsi que l'emplacement où se trouve le fichier biblio.dtd dans lequel se trouve définie la structure du document.

Bien que facultative, il est souvent très intéressant de posséder une DTD, en particulier externe, simplement pour vérifier la validité du document XML. Il est ainsi recommandé d'en utiliser une dans le cas du développement parallèle de plusieurs fichiers XML destinés à subir un traitement particulier (développement par plusieurs personnes par exemple).

L'autre type de document permettant de définir la structure d'un fichier, le schéma XML, s'utilise autrement, comme nous le verrons plus tard.

>Retour à la TdM

3. Les commentaires

En XML, les commentaires se déclarent de la même façon qu'en HTML, car ils reprennent la syntaxe du SGML. Ils commencent donc par <!-- et se terminent par -->. Ils peuvent être placés à n'importe quel endroit tant qu'ils se trouvent à l'extérieur d'une autre balise.

Exemples de commentaires valides :

<!-- ceci est correct -->
<elt> <!-- ceci est correct aussi -->
Un peu de texte </elt>

Remarque : En raison de la compatibilité XML/SGML, la chaîne de caractères -- est interdite dans un commentaire.

>Retour à la TdM

4. L'arbre d'éléments

a. Introduction

Un document XML peut se représenter sous la forme d'une arborescence d'éléments. Cette arborescence comporte une racine (unique), des branches et des feuilles. Reprenons l'exemple précédent.

<?xml version="1.0" encoding="ISO-8859-1"?>
<biblio>
  <livre>
    <!-- Élément enfant titre -->
    <titre>Les Misérables</titre>
    <auteur>Victor Hugo</auteur>
    <nb_tomes>3</nb_tomes>
  </livre>
  <livre>
    <titre>L'Assommoir</titre>
    <auteur>Émile Zola</auteur>
    <couverture couleur="rouge" />
  </livre>
  <livre lang="en">
    <titre>David Copperfield</titre>
    <auteur>Charles Dickens</auteur>
    <nb_tomes>3</nb_tomes>
  </livre>
</biblio>

>Retour à la TdM

b. Élément racine

L'élément-racine (en anglais : document element) est, comme son nom l'indique, la base du document XML. Il est unique et englobe tous les autres éléments. Il s'ouvre juste après le prologue, et se ferme à la toute fin du document. Dans l'exemple ci-dessus, l'élément racine est biblio.

>Retour à la TdM

c. Les éléments

Les éléments forment la structure même du document : ce sont les branches et les feuilles de l'arborescence. Ils peuvent contenir du texte, ou bien d'autres éléments, qui sont alors appelés « éléments enfants », l'élément contenant étant quant à lui appelé logiquement « élément parent ».

Exemple d'élément contenant du texte :

<titre>Les Misérables</titre>

Exemple d'élément contenant d'autres éléments :

<livre>
  <titre>L'Assommoir</titre>
  <auteur>Émile Zola</auteur>
  <couverture couleur="rouge" />
</livre>

D'autres éléments sont vides : ils ne contiennent pas d'élément-enfant. Exemple d'élément vide :

    <couverture couleur="rouge" />

Il faut prendre garde à ne pas confondre la balise <elt> avec l'élément elt.

>Retour à la TdM

d. Les attributs

Tous les éléments peuvent contenir un ou plusieurs attributs. Chaque élément ne peut contenir qu'une fois le même attribut. Un attribut est composé d'un nom et d'une valeur. Il ne peut être présent que dans la balise ouvrante de l'élément (par exemple, on n'a pas le droit d'écrire </livre lang="en">).

Exemple d'utilisation d'un élément avec attribut :

<instrument type="vent">trompette</instrument>

Exemple d'utilisation d'un élément vide avec attributs :

<img src="ours.png" alt="Gros ours" width="56" height="100" />

L'ordre d'utilisation des attributs au sein d'une balise n'a pas d'importance.

>Retour à la TdM

e. Les entités

Il existe des entités définissables et définies. Elles peuvent être analysables ou non, internes ou externes. La déclaration des entités s'effectue au sein de la DTD. Elles peuvent être utilisées aussi bien dans la DTD que dans le document XML. Nous reviendrons plus en détails sur les entités et leur utilisation ultérieurement.

Certains caractères ayant un sens précis en XML, il est nécessaire de leur trouver un remplaçant lorsque l'on a besoin de les insérer dans un document. On a recours dans ce cas à des entités prédéfinies. Ces entités sont :

Caractère

Entité

&

&amp;

<

&lt;

>

&gt;

"

&quot;

'

&aquot;

Table 1. Liste des entités prédéfinies

Il n'existe pas d'entité prédéfinie pour les lettres accentuées ou pour les alphabets latins. Il faut utiliser à la place les entités numériques du type &#n; (où n est une valeur décimale). La valeur numérique correspond au code ISO 10646 ; par exemple le caractère é est codé par l'entité numérique &#233;. Il est néanmoins possible d'importer des entités en provenance d'une autre DTD, par exemple celle du HTML.

>Retour à la TdM

f. Les sections CDATA

Une section CDATA est une section pouvant contenir toutes sortes de chaîne de caractères. Une section CDATA permet de définir un bloc de caractères ne devant pas être analysés par le processeur XML. Cela permet entre autres de garder dans un bloc de texte un exemple de code à afficher tel quel.

Exemple d'utilisation de CDATA :

<![CDATA[Une balise commence par un < et se termine par un >.]]>

>Retour à la TdM

5. Règles de composition

Un certain nombre de règles de base doivent être respectées :

  1. Un nom d'élément ne peut commencer par un chiffre. Si le nom n'est composé que d'un seul caractère, ce doit être une lettre comprise entre « a » et « z » pour les minuscules, « A » et « Z » pour les majuscules. S'il est composé d'au moins deux caractères, le premier peut être « _ » ou « : ». Le nom peut ensuite être composé de lettres, chiffres, tirets, tirets bas et deux points. La syntaxe XML est sensible à la casse (le format distingue majuscules et minuscules).

  2. Toutes les balises portant un contenu non vide doivent être fermées. La balise de début, la balise de terminaison et le contenu entre les deux sont globalement appelés élément ;

  3. Les balises n'ayant pas de contenu doivent se terminer par /> (voir la balise <img .../> ci-dessus) ;

  4. Les valeurs d'attributs doivent être entre guillemets ;

Un document respectant ces critères est dit bien formé (well formed).

Il est aussi possible de définir des règles plus strictes indiquant quelles sont les séquences et imbrications de balises ou les attributs autorisés. Cela se fait à l'aide d'une DTD ou d'un Schéma. On peut alors tester la validité des documents faisant référence à une DTD pour s'assurer qu'ils respectent bien les règles qui y sont mentionnées. Un document bien formé dont la syntaxe est conforme aux règles stipulées dans une DTD ou un Schema XML est dit valide. Nous reviendrons sur cette notion ultérieurement.

>Retour à la TdM

Historique de ce document

Bibliographie

De l'auteur (G. Chagnon)

Conditions d'utilisation et licence

Creative Commons License
Cette création est mise à disposition par Gilles Chagnon sous un contrat Creative Commons.

Retour au menu