Chapitre 2. Syntaxe de XML

La syntaxe de XML est relativement simple. Elle est constituée de quelques règles pour l'écriture d'une entête et des balises pour structurer les données. Ces règles sont très similaires à celles du langage HTML utilisé pour les pages WEB mais elles sont, en même temps, plus générales et plus strictes. Elles sont plus générales car les noms des balises sont libres. Elles sont aussi plus strictes car elles imposent qu'à toute balise ouvrante corresponde une balise fermante.

2.1. Premier exemple

Le langage XML est un format orienté texte. Un document XML est simplement une suite de caractères respectant quelques règles. Il peut être stocké dans un fichier et/ou manipulé par des logiciel en utilisant un codage des caractères. Ce codage précise comment traduire chaque caractère en une suite d'octets réellement stockés ou manipulés. Les différents codages possibles et leurs incidences sur le traitement des documents sont abordés plus loin dans ce chapitre. Comme un document XML est seulement du texte, il peut être écrit comme l'exemple ci-dessous.

On commence par donner un premier exemple de document XML comme il peut être écrit dans un fichier bibliography.xml. Ce document représente une bibliographie de livres sur XML. Il a été tronqué ci-dessous pour réduire l'espace occupé. Ce document contient une liste de livres avec pour chaque livre, le titre, l'auteur, l'éditeur (publisher en anglais), l'année de parution, le numéro ISBN et éventuellement une URL.

<?xml version="1.0" encoding="iso-8859-1"?>1
<!-- Time-stamp: "bibliography.xml   3 Mar 2008 16:24:04" -->2
<!DOCTYPE bibliography SYSTEM "bibliography.dtd" >3
<bibliography>4
  <book key="Michard01" lang="fr">5
    <title>XML langage et applications</title>
    <author>Alain Michard</author>
    <year>2001</year>
    <publisher>Eyrolles</publisher>
    <isbn>2-212-09206-7</isbn>
    <url>http://www.editions-eyrolles/livres/michard/</url>
  </book>
  <book key="Zeldman03" lang="en">
    <title>Designing with web standards</title>
    <author>Jeffrey Zeldman</author>
    <year>2003</year>
    <publisher>New Riders</publisher>
    <isbn>0-7357-1201-8</isbn>
  </book>
  ...
</bibliography>6

1

Entête XML avec la version 1.0 et l'encodage iso-8859-1 des caractères.

2

Commentaire délimité par les chaînes de caractères <!-- et -->.

3

Déclaration de DTD externe dans le fichier bibliography.dtd.

4

Balise ouvrante de l'élément racine bibliography

5

Balise ouvrante de l'élément book avec deux attributs de noms key et lang et de valeurs Michard01 et fr

6

Balise fermante de l'élément racine bibliography

2.2. Caractères

Un document XML est une suite de caractères. Les caractères qui peuvent être utilisés sont ceux définis par la norme Unicode ISO 10646 aussi appelée UCS pour Universal Character Set. Cette norme recense tous les caractères des langues connues et tous les symboles utilisés dans les différentes disciplines. Elle nomme tous ces caractères et symboles et leur attribue un code sur 32 bits (4 octets) appelé simplement code Unicode ou point de code dans la terminologie Unicode. Dans la pratique, tous les points de code attribués à des caractères se situent dans l'intervalle de 0 à 0x10FFFF et ils utilisent donc au plus 21 bits. Cette longueur maximale ne sera pas dépassée avant longtemps car il reste encore de nombreux points de code non attribués dans cet intervalle pour des usages futurs. Unicode peut être vu comme un catalogue de tous les caractères disponibles. Un caractère dont le point de code est n est désigné par U+n où le nombre n est écrit en hexadécimal. L'écriture hexadécimale de n n'est pas préfixée du caractère 'x' car c'est implicite après les deux caractères 'U+'. Le caractère Euro '€' est, par exemple, désigné par U+20AC car son point de code est 8364 = 0x20AC. Le sous-ensemble des caractères Unicode dont les points de code tiennent sur 16 bits (2 octets), c'est-à-dire entre 0 et 65535 = 0xFFFF est appelé BMP pour Basic Multilingual Plane. Il couvre largement la très grande majorité des langues usuelles et les symboles les plus courants.

2.2.1. Caractères spéciaux

Les cinq caractères '<' U+2C, '>' U+2E, '&' U+26, ''' U+27 et '"' U+22 ont une signification particulière dans les documents XML. Les deux caractères '<' et '>' servent à délimiter les balises, ainsi que les commentaires et les instructions de traitement. Le caractère '&' marque le début des références aux entités générales. Pour introduire ces caractères dans le contenu du document, il faut utiliser des sections littérales ou les entités prédéfinies. Les caractères ''' et '"' servent également de délimiteurs, en particulier pour les valeurs des attributs. Dans ces cas, il faut encore avoir recours aux entités prédéfinies pour les introduire.

2.2.2. Caractères d'espacement

Le traitement XML des caractères d'espacement est simple dans un premier temps. Chaque caractère d'espacement est équivalent à un espace et plusieurs espaces consécutifs sont encore équivalents à un seul espace. C'est le comportement habituel des langages de programmation classiques. Dans un second temps, le traitement des caractères d'espacement par une application est commandé par l'attribut xml:space. Les caractères d'espacement sont l'espace ' ' U+20, la tabulation U+09 ('\t' en notation du langage C), le saut de ligne U+0A ('\n' en C) et le retour chariot U+0D ('\r' en C).

Les fins de lignes sont normalisées par l'analyseur lexical (parser en anglais). Ceci signifie que les différentes combinaisons de fin de ligne sont remplacées par un seul caractère U+0A avant d'être transmises à l'application. Cette transformation garantit une indépendance vis à vis des différents systèmes d'exploitation. Les combinaisons remplacées par cette normalisation sont les suivantes.

la suite des deux caractères U+0D U+0A
la suite des deux caractères U+0D U+85
le caractère U+85 appelé Next Line
le caractère U+2028 appelé Line Separator
le caractère U+0D non suivi de U+0A ou U+85

Les deux caractères U+85 et U+2028 ne peuvent être correctement décodés qu'après la déclaration de l'encodage des caractères par l'entête. Leur usage dans l'entête est donc déconseillé.

2.2.3. Jetons et noms XML

Les identificateurs sont utilisés en XML pour nommer différents objets comme les éléments, les attributs, les instructions de traitement. Ils servent aussi à identifier certains éléments par l'intermédiaire des attributs de type ID. XML distingue deux types d'identificateurs: les jetons et les noms XML. La seule différence est que les noms XML doivent commencer par certains caractères particuliers. Dans la terminologie XML, les jetons sont appelés NMTOKEN pour name token.

Les caractères autorisés dans les identificateurs sont tous les caractères alphanumériques, c'est-à-dire les lettres minuscules [a-z], majuscules [A-Z] et les chiffres [0-9] ainsi que le tiret '-' U+2D, le point '.' U+2E, les deux points ':' U+3A et le tiret souligné '_' U+5F. Un jeton est une suite quelconque de ces caractères. Un nom XML est un jeton qui, en outre, commence par une lettre [a-zA-Z], le caractère ':' ou le caractère '_'. Les deux caractères '-' et '.' ainsi que les chiffres ne peuvent pas apparaître au début des noms. Il n'y a pas, a priori, de limite à la taille des identificateurs mais certains logiciels peuvent en imposer une dans la pratique.

Le caractère ':' est réservé à l'utilisation des espaces de noms. De fait, il ne peut apparaître qu'une seule fois pour séparer un préfixe du nom local dans les noms des éléments et des attributs. Les espaces de noms amènent à distinguer les noms ayant un caractère ':', appelés noms qualifiés et les autres, appelés par opposition noms non qualifiés.

Les noms commençant par les trois lettres xml en minuscule ou majuscule, c'est-à-dire par une chaîne de [xX][mM][lL] sont réservés aux usages internes de XML. Ils ne peuvent pas être utilisés librement dans les documents mais ils peuvent cependant apparaître pour des utilisations spécifiques prévues par la norme. Les noms commençant par xml: comme xml:base font partie de l'espace de noms XML.

Quelques exemples d'identificateurs sont donnés ci-dessous.

Noms XML valides :

name, id-42, xsl:template, sec.dtd-3.1 et _special_

Jetons qui ne sont pas des noms :

-name, 42, 42-id et .sect.

Noms réservés :

xml:id et xml-stylesheet

La norme XML 1.1 prévoit que tout caractère Unicode de catégorie lettre peut apparaître dans les identificateurs. Il est, par exemple, possible d'avoir des noms d'éléments avec des caractères accentués. Il est cependant conseillé de se limiter aux caractères ASCII de [a-zA-Z] pour assurer une meilleure compatibilité. Beaucoup de logiciels ne gèrent pas les autres caractères dans les identificateurs.

2.2.4. Codage

Chaque caractère possède un point de code sur 32 bits mais un document ne contient pas directement ces points de code des caractères. Ce codage serait inefficace puisque chaque caractère occuperait 4 octets. Chaque document utilise un codage pour écrire les points de code des caractères. Il existe différents codages dont le codage par défaut UTF-8. Certains codages permettent d'écrire tous les points de code alors que d'autres permettent seulement d'écrire un sous-ensemble comme le BMP. Le codage utilisé par un document est indiqué dans l'entête de celui-ci. Les principaux codages utilisés par les documents XML sont décrits ci-dessous.

US-ASCII

Ce codage permet uniquement de coder les points de code de 0 à 0x7F des caractères ASCII.

UCS-4 ou UTF-32

Chaque caractère est codé directement par son point de code sur quatre octets. Ce codage permet donc de coder tous les caractères Unicode.

UCS-2

Chaque caractère est codé par son point de code sur deux octets. Ce codage permet donc uniquement de coder les caractères du BMP.

UTF-16

Ce codage coïncide essentiellement avec UCS-2 à l'exception de la plage de 2048 positions de 0xD800 à 0xDFFF qui permet de coder des caractères en dehors du BMP dont le point de code utilise au plus 20 bits. L'exclusion de cette plage ne pose aucun problème car elle ne contient aucun point de code attribué à un caractère. Un point de code ayant entre 17 et 20 bits est scindé en deux blocs de 10 bits répartis sur une paire de mots de 16 bits. Le premier bloc de 10 bits est préfixé des 6 bits 110110 pour former un premier mot de 16 bits et le second bloc de 10 bits est préfixé des 6 bits 110111 pour former un second mot de 16 bits.

Représentation UTF-16Signification
xxxxxxxx xxxxxxxx2 octets codant 16 bits
110110zz zzxxxxxx 4 octets codant 20 bits
110111xx xxxxxxxxyyyy xxxxxxxx xxxxxxxx où zzzz = yyyy-1

Tableau 2.1. Codage UTF-16


Le symbole de l'Euro '€' U+20AC, est, par exemple, codé par les deux octets x20 xAC = 00100000 10101100 puisqu'il fait partie du BMP. Le symbole de la croche '𝅘𝅥𝅮' U+1D160 est codé par les 4 octets xD8 x34 xDD x60 = 11011000 00110100 11011101 01100000.

UTF-8

Ce codage est le codage par défaut de XML. Chaque caractère est codé sur un nombre variable de 1 à 4 octets. Les caractères de l'ASCII sont codés sur un seul octet dont le bit de poids fort est 0. Les caractères en dehors de l'ASCII utilisent au moins deux octets. Le premier octet commence par autant de 1 que d'octets dans la séquence suivis par un 0. Les autres octets commencent par 10. Ce codage peut uniquement coder des points de code ayant au maximum 21 bits mais tous les points de code attribués ne dépassent pas cette longueur.

Représentation UTF-8Signification
0xxxxxxx1 octet codant 7 bits
110xxxxx 10xxxxxx2 octets codant 8 à 11 bits
1110xxxx 10xxxxxx 10xxxxxx3 octets codant 12 à 16 bits
11110xxx 10xxxxxx 10xxxxxx 10xxxxxx4 octets codant 17 à 21 bits

Tableau 2.2. Codage UTF-8


Le symbole de l'Euro '€' U+20AC, est, par exemple, codé par les trois octets xE2 x82 xAC = 11100010 10000010 10101100. Le symbole de la croche '𝅘𝅥𝅮' U+1D160 est, quant à lui, codé par les 4 octets xF0 x9D x85 xA0 = 11110000 10011101 10000101 10100000. Ce codage a l'avantage d'être relativement efficace pour les langues européennes qui comportent beaucoup de caractères ASCII. Il est, en revanche, peu adapté aux langues asiatiques dont les caractères nécessitent 3 octets alors que 2 octets sont suffisants avec UTF-16.

ISO-8859-1 (appelé Latin-1)

Chaque caractère est codé sur un seul octet. Ce codage coïncide avec l'ASCII pour les points de code de 0 à 0x7F. Les codes de 0x80 à 0xFF sont utilisés pour d'autres caractères (caractères accentués, cédilles, …) des langues d'Europe de l'ouest.

ISO-8859-15 (appelé Latin-9 ou Latin-0)

Ce codage est une mise à jour du codage ISO-8859-1 dont il diffère uniquement en 8 positions. Les caractères '€', 'Š', 'š', 'Ž', 'ž', 'Œ', 'œ' et 'Ÿ' remplacent les caractères '¤' U+A4, '¦' U+A6, '¨' U+A8, '´' U+B4, '¸' U+B8, '¼' U+BC, '½' U+BD et '¾' U+BE moins utiles pour l'écriture des langues européennes. Le symbole de l'Euro '€' U+20AC, est, par exemple, codé par l'unique octet xA4 = 10100100.

Le tableau suivant donne la suite d'octets pour le mot Hétérogène pour quelques codages classiques. Comme les points de code de x00 à xFF d'Unicode coïncident avec le codage des caractères de ISO-8859-1, le codage en UTF-16 est obtenu en insérant un octet nul 00 avant chaque octet du codage en ISO-8859-1. Le codage en UTF-32 est obtenu en insérant dans le codage en UTF-16 deux octets nuls avant chaque paire d'octets.

CodageSéquence d'octets en hexadécimal pour Hétérogène
UTF-848 C3 A9 74 C3 A9 72 6F 67 C3 A8 6E 65
ISO-8859-148 E9 74 E9 72 6F 67 E8 6E 65
UTF-1600 48 00 E9 00 74 00 E9 00 72 … 00 E8 00 6E 00 65
UTF-3200 00 00 48 00 00 00 E9 00 00 00 74 … 00 00 00 65

Tableau 2.3. Comparaison des codages


Les logiciels manipulant des documents XML doivent obligatoirement gérer les codages UTF-8 et UTF-16. Les autres codages sont facultatifs. Il est essentiel que le codage d'un document soit indiqué dans l'entête du document. Si un navigateur interprète, par exemple, la suite d'octets du codage UTF-8 du mot Hétérogène comme un codage en ISO-8859-1, il affiche la chaîne Hétérogène.

Bien que certains codages ne permettent pas de coder tous les points de code, il est néanmoins possible d'insérer n'importe quel caractère Unicode en donnant explicitement son point de code avec une des deux syntaxes suivantes. Ces syntaxes peuvent être utilisées pour n'importe quel point de code même si celui-ci peut être écrit avec le codage du document. Elles sont, en particulier, pratiques lorsque les éditeurs de texte affichent mal certains caractères. Les deux syntaxes prennent les formes &#point de code décimal; ou &#xpoint de code hexadécimal;. Le caractère Euro '€' peut par exemple être inséré par &#8364; ou &#x20AC;. Pour ces deux syntaxes, c'est le point de code du caractère qui est écrit en décimal ou en hexadécimal et non pas sa transcription dans le codage du document.

2.2.4.1. Marque d'ordre des octets

Pour les codages non basés sur les octets comme UTF-16 ou UCS-2, il est important de savoir dans quel ordre sont placés les deux octets de poids fort et de poids faible d'un mots de 16 bits. Il existe deux modes appelés gros-boutiste et petit-boutiste (big endian et little endian en anglais). Dans le mode gros-boutiste, l'octet de poids fort est placé avant l'octet de poids faible alors que dans le mode petit-boutiste, l'octet de poids fort est placé après l'octet de poids faible.

Afin de savoir quel est le mode utilisé dans un document XML, le document commence par le caractère U+FEFF. Ce caractère est appelé espace insécable de largeur nulle (zero-width no-break space en anglais) mais il a été remplacé, pour cet emploi, par le caractère U+2060. Il est maintenant uniquement utilisé comme marque d'ordre des octets (Byte order mark ou BOM en anglais). Cette marque est sans ambiguïté car il n'existe pas de caractère de point de code 0xFFFE. Le tableau suivant récapitule les séquences des premiers octets d'un document en fonction du codage et du mode gros-boutiste ou petit-boutiste. Les valeurs 0x3C, 0x3F et 0x78 sont les points de code des trois premiers caractères '<', '?' et 'x' de l'entête.

CodageModeSéquence d'octets en hexadécimal
UTF-8 sans BOM 3C 3F 78
UTF-8 avec BOM EF BB BF 3C 3F 78
UTF-16 ou UCS-2gros-boutisteFE FF 00 3C 00 3F
UTF-16 ou UCS-2petit-boutisteFF FE 3C 00 3F 00
UTF-32gros-boutiste00 00 FE FF 00 00 00 3C
UTF-32petit-boutisteFE FF 00 00 3C 00 00 00

Tableau 2.4. Marques d'ordre des octets


Bien que la marque d'ordre des octets puisse être mise dans un document codé en UTF-8, celle-ci est inutile et il est déconseillé de la mettre. La marque d'ordre des octets ne peut pas être mise dans un document codé en ISO-8859-1.

2.2.5. Collations

Certaines ligatures comme le caractère 'œ' U+153 sont considérées par Unicode comme un seul caractère plutôt que comme la fusion des deux caractères 'oe'. Il s'ensuit que les deux mots cœur et coeur sont, a priori, considérés comme distincts. Ce problème est résolu par l'utilisation de collations lors du traitement des documents. Une collation est une collection de règles qui établissent des équivalences entre des caractères ou des suites de caractères. Une collation peut, par exemple, déclarer que le caractère 'œ' U+153 est équivalent aux deux caractères 'oe' ou que la lettre 'ß' U+DF est équivalente aux deux lettres 'ss'. Une collation établit aussi l'ordre des caractères utilisé pour l'ordre lexicographique. Elle peut, par exemple, déclarer que le caractère 'é' se place entre les caractères 'e' et 'f'. La collation par défaut est basée sur les points de code des caractères. Le caractère 'é' U+E9 se trouve, pour cette collation, après le caractère 'z' U+7A et le mot zèbre est donc avant le mot étalon dans l'ordre lexicographique.

2.2.6. Normalisation

Le même caractère peut avoir plusieurs points de code. Cette ambiguïté provient du fait qu'Unicode a été construit en fusionnant plusieurs codages et qu'il tente de rester compatible avec chacun d'eux. Le caractère 'µ' est en même temps le caractère U+B5 qui provient de Latin-1 et le caractère U+3BC qui provient du bloc des caractères grecs. D'autres caractères peuvent avoir un point de code mais peuvent, en même temps, correspondre à une suite de plusieurs points de code. Le caractère 'ö' est, par exemple, le caractère U+F6 mais il correspond également à la suite U+6F U+308 formée du caractère 'o' suivi du caractère spécial tréma '¨' U+308. Ce codage multiple conduit à des problèmes, en particulier pour la comparaison des chaînes de caractères. Pour palier à ce problème, Unicode introduit des normalisations qui transforment les différents codages en un codage canonique. La normalisation la plus standard est la normalisation C. Celle-ci transforme, par exemple, la suite de caractères U+6F U+308 en le caractère 'ö' U+F6. La normalisation d'une chaîne de caractères peut être obtenue avec la fonction XPath normalize-unicode().

2.3. URI, URL et URN

XML et toutes les technologies autour de XML font un grand usage des URI et plus particulièrement des URL. Ceux-ci sont, par exemple, employés pour référencer des documents externes comme des DTD ou pour identifier des espaces de noms. Les URL sont bien connues car elles sont utilisées au quotidien pour naviguer sur le WEB. La terminologie XML distingue également les URI et les URN. Les significations exactes de ces trois termes dans la terminologie XML sont les suivantes.

URI

Uniform Resource Identifier

URL

Uniform Resource Locator

URN

Uniform Resource Name

Relations entre URI, URL et URN

Figure 2.1. Relations entre URI, URL et URN


La notion la plus générale est celle d'URI. Les URI comprennent les URL et les URN même si certains URI peuvent être simultanément des URL et des URN. Les liens entre ces différents termes sont illustrés à la figure. Un URI est un identifiant qui permet de désigner sans ambiguïté un document ou plus généralement une ressource. Cet identifiant doit donc être unique de manière universelle. Une URL identifie un document en spécifiant un mécanisme pour le retrouver. Elle est composée d'un protocole suivi d'une adresse permettant de récupérer le document avec le protocole. Un URN est, au contraire, un nom donné à un document indépendamment de la façon d'accéder au document. Un exemple typique d'URN est l'URN formé à partir du numéro ISBN d'un livre comme urn:isbn:978-2-7117-2077-4. Cet URN identifie le livre Langages formels, calculabilité et complexité mais n'indique pas comment l'obtenir.

La syntaxe générale des URI prend la forme scheme:identscheme est un schéma d'URI et où ident est un identifiant obéissant à une syntaxe propre au schéma scheme. Chaque schéma définit un sous-espace des URI. Dans le cas d'une URL, le schéma est un protocole d'accès au document comme http, sip, imap ou ldap. Le schéma utilisé pour tous les URN est urn. Il est généralement suivi de l'identificateur d'un espace de noms comme isbn. Des exemples d'URI sont donnés ci-dessous. Les deux derniers URI de la liste sont des URN.

  http://www.liafa.jussieu.fr/~carton/
  sftp://carton@liafa.jussieu.fr
  tel:+33-1-57-27-92-54
  sip:0957279254@freephonie.net
  file://home/carton/Enseignement/XML/Cours/XSLT
  urn:oasis:names:tc:docbook:dtd:xml:docbook:5.1
  urn:publicid:-:W3C:DTD+HTML+4.0:EN

Dans la pratique, la plupart des URI utilisées sont des URL et les deux termes peuvent pratiquement être considérés comme synonymes.

2.3.1. Résolution d'URI

Un URI appelé URI de base est souvent attaché à un document ou à un fragment d'un document XML. Cet URI est généralement une URL. Il sert à résoudre les URL contenues dans le fragment de document, qu'elles soient relatives ou absolues. Cette résolution consiste à combiner l'URL de base avec ces URL pour obtenir des URL absolues qui permettent de désigner des documents externes.

Pour comprendre comment une URL de base se combine avec une URL, il faut d'abord comprendre la structure d'une URL. La description donnée ci-dessous se limite aux aspects indispensables pour appréhender la résolution des URL. Chaque URL se décompose en trois parties.

Protocole d'accès

Une URL commence obligatoirement par le nom d'un protocole d'accès suivi du caractère ':'. Les principaux protocoles sont http, https, ftp et file.

Adresse Internet

Le protocole est suivi d'une adresse Internet qui commence par les deux caractères '//'. Cette adresse est absente dans le cas du protocole file.

Chemin d'accès

L'URL se termine par un chemin d'accès dans l'arborescence des fichiers. Ce chemin se décompose lui-même en le nom du répertoire et le nom du fichier. Ce dernier est formé de tous les caractères après le dernier caractère '/'.

Structure d'une URL

Figure 2.2. Structure d'une URL


La combinaison d'une URL de base base avec une autre URL url pour former une URL complète est réalisée de la façon suivante qui dépend essentiellement de la forme de la seconde URL url.

  1. Si l'URL url est elle-même une URL complète qui commence par un protocole, le résultat de la combinaison est l'URL url sans tenir compte de l'URL base.

  2. Si l'URL url est un chemin absolu commençant par le caractère '/', le résultat est obtenu en remplaçant la partie chemin de l'URL base par l'URL url. L'URL url est donc ajoutée après la partie adresse Internet de l'URL base.

  3. Si l'URL url est un chemin relatif ne commençant pas par le caractère '/', le résultat est obtenu en remplaçant le nom du fichier de l'URL base par l'URL url. Le chemin relatif est donc concaténé avec le nom du répertoire.

Les exemples ci-dessous illustrent les différents cas. On suppose que l'URL base est fixée égale à l'URL http://www.somewhere.org/Teaching/index.html. Pour chacune des valeurs de l'URL url, on donne la valeur de l'URL obtenue par combinaison de l'URL base avec l'URL url.

url="" (chaîne vide)

http://www.somewhere.org/Teaching/index.html

url="XML/chapter.html" (chemin relatif)

http://www.somewhere.org/Teaching/XML/chapter.html

url="XML/XPath/section.html" (chemin relatif)

http://www.somewhere.org/Teaching/XML/XPath/section.html

url="/Course/section.html" (chemin absolu)

http://www.somewhere.org/Course/section.html

url="http://www.elsewhere.org/section.html" (URL complète)

http://www.elsewhere.org/section.html

2.4. Syntaxe et structure

Il y a, en français, l'orthographe et la grammaire. La première est constituée de règles pour la bonne écriture des mots. La seconde régit l'agencement des mots dans une phrase. Pour qu'une phrase en français soit correcte, il faut d'abord que les mots soient bien orthographiés et, ensuite, que la phrase soit bien construite. Il y aurait encore le niveau sémantique mais nous le laisserons de côté. XML a également ces deux niveaux. Pour qu'un document XML soir correct, il doit d'abord être bien formé et, ensuite, être valide. La première contrainte est de nature syntaxique. Un document bien formé doit respecter certaines règles syntaxiques propres à XML qui sont explicitées dans ce chapitre. Il s'agit, en quelque sorte, de l'orthographe d'XML. La seconde contrainte est de nature structurelle. Un document valide doit respecter un modèle de document. Un tel modèle décrit de manière rigoureuse comment doit être organisé le document. Un modèle de documents peut être vu comme une grammaire pour des documents XML. La différence essentielle avec le français est que la grammaire d'XML n'est pas figée. Pour chaque application, il est possible de choisir la grammaire la plus appropriée. Cette possibilité d'adapter la grammaire aux données confère une grande souplesse à XML. Il existe plusieurs langages pour écrire des modèles de document. Les DTD (Document Type Description), héritées de SGML, sont simples mais aussi assez limitées. Elles sont décrites au chapitre suivant. Les schémas XML sont beaucoup plus puissants. Ils sont décrits dans un autre chapitre.

Un document XML est généralement contenu dans un fichier texte dont l'extension est .xml. Il peut aussi être réparti en plusieurs fichiers en utilisant les entités externes ou XInclude. Les fichiers contenant des documents dans un dialecte XML peuvent avoir une autre extension qui précise le format. Les extensions pour les schémas XML, les feuilles de style XSLT, les dessins en SVG sont, par exemple, .xsd, .xsl et .svg.

Un document XML est, la plupart du temps, stocké dans un fichier mais il peut aussi être dématérialisé et exister indépendamment de tout fichier. Il peut, par exemple, exister au sein d'une application qui l'a construit. Une chaîne de traitement de documents XML peut produire des documents intermédiaires qui sont détruits à la fin. Ces documents existent uniquement pendant le traitement et sont jamais mis dans un fichier.

2.5. Composition globale d'un document

La composition globale d'un document XML est immuable. Elle comprend toujours les constituants suivants.

Prologue

Il contient des déclarations facultatives.

Corps du document

C'est le contenu même du document.

Commentaires et instructions de traitement

Ceux-ci peuvent apparaître partout dans le document, dans le prologue et le corps.

Le document se découpe en fait en deux parties consécutives qui sont le prologue et le corps. Les commentaires et les instructions de traitement sont ensuite librement insérés avant, après et à l'intérieur du prologue et du corps. La structure globale d'un document XML est la suivante.

<?xml ... ?>               Prologue
  ...                   
<root-element>          
  ...                   |   Corps
</root-element>         

Dans l'exemple donné au début de ce chapitre, le prologue comprend les trois premières lignes du fichier. La première ligne est l'entête XML et la deuxième est simplement un commentaire utilisé par Emacs pour mémoriser le nom du fichier et sa date de dernière modification. La troisième ligne est la déclaration d'une DTD externe contenue dans le fichier bibliography.dtd. Le corps du document commence à la quatrième ligne du fichier avec la balise ouvrante <bibliography>. Il se termine à la dernière ligne de celui-ci avec la balise fermante </bibliography>.

2.6. Prologue

Le prologue contient deux déclarations facultatives mais fortement conseillées ainsi que des commentaires et des instructions de traitement. La première déclaration est l'entête XML qui précise entre autre la version de XML et le codage du fichier. La seconde déclaration est la déclaration du type du document (DTD) qui définit la structure du document. La déclaration de type de document est omise lorsqu'on utilise des schémas XML ou d'autres types de modèles qui remplacent les DTD. La structure globale du prologue est la suivante. Dans le prologue, tous les caractères d'espacement sont interchangeables mais l'entête est généralement placée, seule, sur la première ligne du fichier.

<?xml ... ?>                 ]   Entête XML           
<!DOCTYPE root-element [                          |    Prologue
  ...                        |   DTD               |   
]>                                                

Les différentes parties du prologue sont détaillées dans les sections suivantes.

2.6.1. Entête XML

L'entête utilise une syntaxe <?xml ... ?> semblable à celle des instructions de traitement bien qu'elle ne soit pas véritablement une instruction de traitement. L'entête XML a la forme générale suivante.

<?xml version="..." encoding="..." standalone="..."?>

L'entête doit se trouver au tout début du document. Ceci signifie que les trois caractères '<?xml' doivent être les cinq premiers caractères du document, éventuellement précédés d'une marque d'ordre des octets.

Cette entête peut contenir trois attributs version, encoding et standalone. Il ne s'agit pas véritablement d'attributs car ceux-ci sont réservés aux éléments mais la syntaxe identique justifie ce petit abus de langage. Chaque attribut a une valeur délimitée par une paire d'apostrophes ''' ou une paire de guillemets '"'.

L'attribut version précise la version d'XML utilisée. Les valeurs possibles actuellement sont 1.0 ou 1.1. L'attribut encoding précise le codage des caractères utilisé dans le fichier. Les principales valeurs possibles sont US-ASCII, ISO-8859-1, UTF-8, et UTF-16. Ces noms de codage peuvent aussi être écrits en minuscule comme iso-8859-1 ou utf-8. L'attribut standalone précise si le fichier est autonome, c'est-à-dire s'il existe des déclarations externes qui affectent le document. La valeur de cet attribut peut être yes ou no et sa valeur par défaut est no. Les déclarations externes peuvent provenir d'une DTD externe où d'entités paramètres. Elles peuvent affecter le contenu du document en donnant, par exemple, des valeurs par défaut à des attributs. La valeur de l'attribut standalone influence également la prise en compte des caractères d'espacement dans les contenus purs lors de la validation par une DTD.

L'attribut version est obligatoire et l'attribut encoding l'est aussi dès que le codage des caractères n'est pas le codage par défaut UTF-8. Quelques exemples d'entête XML sont donnés ci-dessous.

<?xml version="1.0"?>
<?xml version='1.0' encoding='UTF-8'?>
<?xml version="1.1" encoding="iso-8859-1" standalone="no"?>

Lorsqu'un document est scindé en plusieurs fragments dans différents fichiers inclus par des entités externes ou par XInclude, chacun des fragments peut commencer par une entête. L'intérêt est de pouvoir spécifier un codage des caractères différent.

2.6.2. Déclaration de type de document

La déclaration de type définit la structure du document. Elle précise en particulier quels éléments peut contenir chacun des éléments. Cette déclaration de type peut prendre plusieurs formes suivant que la définition du type est interne, c'est-à-dire incluse dans le document ou externe. Elle a la forme générale suivante qui utilise le mot clé DOCTYPE.

<!DOCTYPE ... >

La forme précise de cette déclaration est explicitée au chapitre consacré aux DTD.

2.7. Corps du document

Le corps du document est constitué de son contenu qui est organisé de façon hiérarchique à la manière d'un système de fichiers à l'exception qu'aucune distinction n'est faite entre fichiers et répertoires. L'unité de cette organisation est l'élément. Chaque élément peut contenir du texte simple, comme un fichier, d'autres éléments, comme un répertoire, ou encore un mélange des deux.

Comme dans une arborescence de fichiers, il y a un élément appelé élément racine qui contient l'intégralité du document.

2.7.1. Éléments

Élément

Figure 2.3. Composition d'un élément


Un élément est formé d'une balise ouvrante, d'un contenu et de la balise fermante correspondante. La balise ouvrante prend la forme <name> formée du caractère '<' U+3C, du nom name de l'élément et du caractère '>' U+3E. Des attributs peuvent éventuellement être ajoutés entre le nom et le caractère '>'. La balise fermante prend la forme </name> formée des deux caractères '</' U+3C et U+2F, du nom name de l'élément et du caractère '>'. Les noms des éléments sont des noms XML quelconques. Ils ne sont pas limités à un ensemble fixé de noms prédéfinis comme en HTML. Le contenu d'un élément est formé de tout ce qui se trouve entre la balise ouvrante et la balise fermante (cf. figure). Il peut être constitué de texte, d'autres éléments, de commentaires et d'instructions de traitement.

Dans la balise ouvrante, le caractère '<' doit être immédiatement suivi du nom de l'élément. En revanche, il peut y avoir des espaces entre le nom et le caractère '>'. La balise fermante ne peut pas contenir d'espace.

Élément avec un contenu vide

Figure 2.4. Élément avec un contenu vide


Lorsque le contenu est vide, c'est-à-dire lorsque la balise fermante suit immédiatement la balise ouvrante, les deux balises peuvent éventuellement se contracter en une seule balise de la forme <name/> formée du caractère '<', du nom name et des deux caractères '/>'. Cette contraction est à privilégier lorsque l'élément est déclaré vide par une DTD.

Imbrication des éléments

Figure 2.5. Imbrication des éléments


Comme chaque élément possède une balise ouvrante et une balise fermante, les balises vont nécessairement par paire. À toute balise ouvrante correspond une balise fermante et inversement. L'imbrication des balises doit, en outre, être correcte. Si deux éléments tag1 et tag2 ont un contenu commun, alors l'un doit être inclus dans l'autre. Autrement dit, si la balise ouvrante <tag2> se trouve entre les deux balises <tag1> et <tag1/>, alors la balise fermante </tag2> doit aussi se trouver entre les deux balises <tag1> et <tag1/> (cf. figure).

<parent>
  <sibling1> ... </sibling1>
  <sibling2> ... </sibling2>
  <self>
    <child1> ... <desc1></desc1> ... <desc2></desc2> ... </child1>
    <child2> ... </child2>
    <child3> ... <desc3><desc4> ... </desc4></desc3> ... </child3>
  </self>
  <sibling3> ... </sibling3>
</parent>
Liens de parenté

Figure 2.6. Liens de parenté


Dans l'exemple ci-dessus, le contenu de l'élément self s'étend de la balise ouvrante <child1> jusqu'à la balise fermante </child3>. Ce contenu comprend tous les éléments child1, child2 et child3 ainsi que les éléments desc1, desc2, desc3 et desc4. Tous les éléments qu'il contient sont appelés descendants de l'élément self. Parmi ces descendants, les éléments child1, child2 et child3 qui sont directement inclus dans self sans élément intermédiaire sont appelés les enfants de l'élément self. Inversement, l'élément parent qui contient directement self est appelé le parent de l'élément self. Les autres éléments qui contiennent l'élément self sont appelés les ancêtres de l'élément self. Les autres enfants sibling1, sibling2 et sibling3 de l'élément parent sont appelés les frères de l'élément self. Ces relations de parenté entre les éléments peuvent être visualisées comme un arbre généalogique (cf. figure).

Tout le corps du document doit être compris dans le contenu d'un unique élément appelé élément racine. Le nom de cet élément racine est donné par la déclaration de type de document si celle-ci est présente. L'élément bibliography est l'élément racine de l'exemple donné au début du chapitre.

  ...            ]  Commentaires et instructions de traitement  
<root-element>   ]  Balise ouvrante de l'élément racine         |   Corps
  ...              Éléments, commentaires et                   |    du
  ...              instructions de traitement                  |  document
</root-element>  ]  Balise fermante de l'élément racine         |
  ...            ]  Commentaires et instructions de traitement  

2.7.2. Sections littérales

Les caractères spéciaux '<', '>' et '&' ne peuvent pas être inclus directement dans le contenu d'un document. Ils peuvent être inclus par l'intermédiaire des entités prédéfinies.

Il est souvent fastidieux d'inclure beaucoup de caractères spéciaux à l'aide des entités. Les sections littérales, appelées aussi sections CDATA en raison de leur syntaxe, permettent d'inclure des caractères qui sont recopiés à l'identique. Une section littérale commence par la chaîne de caractères '<![CDATA[' et se termine par la chaîne ']]>'. Tous les caractères qui se trouvent entre ces deux chaînes font partie du contenu du document, y compris les caractères spéciaux.

<![CDATA[Contenu avec des caractères spéciaux <, > et & ]]>

Une section CDATA ne peut pas contenir la chaîne de caractères ']]>' qui permet à l'analyseur lexical de détecter la fin de la section. Il est en particulier impossible d'imbriquer des sections CDATA.

2.7.3. Attributs

Les balises ouvrantes peuvent contenir des attributs associés à des valeurs. L'association de la valeur à l'attribut prend la forme attribute='value' ou la forme attribute="value"attribute et value sont respectivement le nom et la valeur de l'attribut. Chaque balise ouvrante peut contenir zéro, une ou plusieurs associations de valeurs à des attributs comme dans les exemples génériques suivants.

<tag attribute="value"> ... </tag>
<tag attribute1="value1" attribute2="value2"> ... </tag>

Voici ci-dessous d'autres exemples concrets de balises ouvrantes avec des attributs. Ces exemples sont respectivement tirés d'un document XHTML, d'un schéma XML et d'une feuille de style XSLT.

<body background='yellow'>
<xsd:element name="bibliography" type="Bibliography">
<a href="#{$node/@idref}">

Lorsque le contenu de l'élément est vide et que la balise ouvrante et la balise fermante sont contractées en une seule balise, celle-ci peut contenir des attributs comme la balise ouvrante.

<hr style="color:red; height:15px; width:350px;" />
<xsd:attribute name="key" type="xsd:NMTOKEN" use="required"/>

Le nom de chaque attribut doit être un nom XML. La valeur d'un attribut peut être une chaîne quelconque de caractères délimitée par une paire d'apostrophes ''' ou une paire de guillemets '"'. Elle peut contenir les caractères spéciaux '<', '>', '&', ''' et '"' mais ceux-ci doivent nécessairement être introduits par les entités prédéfinies. Si la valeur de l'attribut est délimitée par des apostrophes ''', les guillemets '"' peuvent être introduits directement sans entité et inversement.

<xsl:value-of select="key('idchapter', @idref)/title"/>
<xsl:if test='@quote = "&apos;"'>

Comme des espaces peuvent être présents dans la balise après le nom de l'élément et entre les attributs, l'indentation est libre pour écrire les attributs d'une balise ouvrante. Aucun espace ne peut cependant séparer le caractère '=' du nom de l'attribut et de sa valeur. Il est ainsi possible d'écrire l'exemple générique suivant.

<tag attribute1="value1" 
     attribute2="value2"
     ...
     attributeN="valueN">
  ...
</tag>

L'ordre des attributs n'a pas d'importance. Les attributs d'un élément doivent avoir des noms distincts. Il est donc impossible d'avoir deux occurrences du même attribut dans une même balise ouvrante.

Le bon usage des attributs est pour les meta-données plutôt que les données elles-mêmes. Ces dernières doivent être placées de préférence dans le contenu des éléments. Dans l'exemple suivant, la date proprement dite est placée dans le contenu alors que l'attribut format précise son format. La norme ISO 8601 spécifie la représentation numérique de la date et de l'heure.

<date format="ISO-8601">2009-01-08</date>

C'est une question de style de mettre les données dans les attributs ou dans les contenus des éléments. Le nom complet d'un individu peut, par exemple, être réparti entre des éléments firstname et surname regroupés dans un élément personname comme dans l'exemple ci-dessous.

<personname id="I666">
  <firstname>Gaston</firstname> 
  <surname>Lagaffe</surname>
</personname>

Les éléments firstname et surname peuvent être remplacés par des attributs de l'élément personname comme dans l'exemple ci-dessous. Les deux solutions sont possibles mais la première est préférable.

<personname id="I666" firstname="Gaston" surname="Lagaffe"/>

2.7.4. Attributs particuliers

Il existe quatre attributs particuliers xml:lang, xml:space, xml:base et xml:id qui font partie de l'espace de noms XML. Lors de l'utilisation de schémas, ces attributs peuvent être déclarés en important le schéma à l'adresse http://www.w3.org/2001/xml.xsd.

Contrairement à l'attribut xml:id, les trois autres attributs xml:lang, xml:space et xml:base s'appliquent au contenu de l'élément. Pour cette raison, la valeur de cet attribut est héritée par les enfants et, plus généralement, les descendants. Ceci ne signifie pas qu'un élément dont le père a, par exemple, un attribut xml:lang a également un attribut xml:lang. Cela veut dire qu'une application doit prendre en compte la valeur de l'attribut xml:lang pour le traitement l'élément mais aussi de ses descendants à l'exception, bien sûr, de ceux qui donnent une nouvelle valeur à cet attribut. Autrement dit, la valeur de l'attribut xml:lang à prendre en compte pour le traitement d'un élément est celle donnée à cet attribut par l'ancêtre (y compris l'élément lui-même) le plus proche. Pour illustrer le propos, le document suivant contient plusieurs occurrences de l'attribut xml:lang. La langue du texte est, à chaque fois, donnée par la valeur de l'attribut xml:lang le plus proche.

<?xml version="1.0" encoding="iso-8859-1" standalone="no"?>
<book xml:lang="fr">
  <title>Livre en Français</title>
  <chapter>
    <title>Chapitre en Français</title>
    <p>Paragraphe en Français</p>
    <p xml:lang="en">Paragraph in English</p>
  </chapter>
  <chapter xml:lang="en">
    <title>Chapter in English</title>
    <p xml:lang="fr">Paragraphe en Français</p>
    <p>Paragraph in English</p>
  </chapter>
</book>

Ce qui a été expliqué pour l'attribut xml:lang vaut également pour deux autres attributs xml:space et xml:base. C'est cependant un peu différent pour l'attribut xml:base car la valeur à prendre en compte doit être calculée à partir de toutes les valeurs des attributs xml:base des ancêtres.

2.7.4.1. Attribut xml:lang

L'attribut xml:lang est utilisé pour décrire la langue du contenu de l'élément. Sa valeur est un code de langue sur deux ou trois lettres de la norme ISO 639 (comme par exemple en, fr, es, de, it, pt, …). Ce code peut être suivi d'un code de pays sur deux lettres de la norme ISO 3166 séparé du code de langue par un caractère tiret '-'. L'attribut xml:lang est du type xsd:language qui est spécialement prévu pour cet attribut.

<p xml:lang="fr">Bonjour</p>
<p xml:lang="en-GB">Hello</p>
<p xml:lang="en-US">Hi</p>

Dans le document donné en exemple au début du chapitre, chaque élément book a un attribut lang. Ce n'est pas l'attribut xml:lang qui a été utilisé car celui-ci décrit la langue des données contenues dans l'élément alors que l'attribut lang décrit la langue du livre référencé.

2.7.4.2. Attribut xml:space

L'attribut xml:space permet d'indiquer à une application le traitement des caractères d'espacement. Les deux valeurs possibles de cet attribut sont default et preserve.

L'analyseur lexical transmet les caractères d'espacement aux applications sans les modifier. La seule transformation effectuée est la normalisation des fins de lignes. Il appartient ensuite aux applications de traiter ces caractères de façon appropriée. La plupart d'entre elles considèrent de façon équivalente les différents caractères d'espacement. Ceci signifie qu'une fin de ligne est vue comme un simple espace. Plusieurs espaces consécutifs sont aussi considérés comme un seul espace. Ce traitement est généralement le traitement par défaut des applications. Si l'attribut xml:space a la valeur preserve, l'application doit, au contraire, respecter les différents caractères d'espacement. Les fins de ligne sont préservées et les espaces consécutifs ne sont pas confondus. L'attribut xml:space intervient, en particulier, dans le traitement des espaces par XSLT.

2.7.4.3. Attribut xml:base

À chaque élément d'un document XML est associée une URI appelée URI de base. Celle-ci est utilisée pour résoudre les URL des entités externes, qui peuvent être, par exemple des fichiers XML ou des fichiers multimédia (images, sons, vidéos). Dans le fragment de document XHTML ci-dessous, l'élément img référence un fichier image element.png par son attribut src.

<img src="element.png" alt="Élément"/>

L'attribut de xml:base permet de préciser l'URI de base d'un élément. Par défaut, l'URI de base d'un élément est hérité de son parent. L'URI de base de la racine du document est appelée URI de base du document. Elle est souvent fixée par l'application qui traite le document mais elle peut aussi provenir d'un attribut xml:base de l'élément racine. Lorsque le document provient d'un fichier local, c'est souvent le chemin d'accès à celui-ci dans l'arborescence des fichiers, comme file:/home/carton/Teaching/XML/index.html. Lorsque le document est, au contraire, téléchargé, l'URI de base du document est l'adresse Internet de celui-ci comme http://www.liafa.jussieu.fr/~carton/index.html.

Pour chaque élément, l'attribut xml:base permet de fixer une URI de base de façon absolue ou, au contraire, de la construire à partir de l'URI de base du parent. Le comportement dépend de la forme de la valeur de l'attribut. La valeur est combinée avec l'URI de base du parent en suivant les règles de combinaison de celles-ci. L'attribut xml:base est de type xsd:anyURI.

L'attribut xml:base est indispensable pour réaliser des inclusions de fichiers externes avec XInclude lorsque ces fichiers sont situés dans un répertoire différent de celui réalisant l'inclusion.

Le document suivant illustre les différents cas pour la combinaison d'une URI avec une adresse. Pour chacun des éléments, l'URI de base est donnée.

<?xml version="1.0" encoding="iso-8859-1" standalone="yes"?>
<book xml:base="http://www.somewhere.org/Teaching/index.html">1
  <chapter xml:base="XML/chapter.html">2
    <section xml:base="XPath/section.html"/>3
    <section xml:base="/Course/section.html"/>4
    <section xml:base="http://www.elsewhere.org/section.html"/>5
  </chapter>
</book>

1

http://www.somewhere.org/Teaching/index.html

2

http://www.somewhere.org/Teaching/XML/chapter.html

3

http://www.somewhere.org/Teaching/XML/XPath/section.html

4

http://www.somewhere.org/Course/section.html

5

http://www.elsewhere.org/section.html

L'URI de base d'un élément est retournée par la fonction XPath base-uri().

2.7.4.4. Attribut xml:id

L'attribut xml:id est de type xsd:ID. Il permet d'associer un identificateur à tout élément indépendamment de toute DTD ou de tout schéma.

Comme les applications qui traitent les documents XML ne prennent pas en compte les modèles de document, sous forme de DTD ou de schéma, elles ne peuvent pas déterminer le type des attributs. Il leur est en particulier impossible de connaître les attributs de type ID qui permettent d'identifier et de référencer les éléments. L'attribut xml:id résout ce problème puisqu'il est toujours du type xsd:ID qui remplace le type ID dans les schémas XML.

2.7.5. Commentaires

Les commentaires sont délimités par les chaînes de caractères '<!--' et '-->' comme en HTML. Ils ne peuvent pas contenir la chaîne '--' formée de deux tirets '-' et ils ne peuvent donc pas être imbriqués. Ils peuvent être présents dans le prologue et en particulier dans la DTD. Ils peuvent aussi être placés dans le contenu de n'importe quel élément et après l'élément racine. En revanche, ils ne peuvent jamais apparaître à l'intérieur d'une balise ouvrante ou fermante. Un exemple de document XML avec des commentaires partout où ils peuvent apparaître est donné ci-dessous.

<?xml version="1.0" encoding="ISO-8859-1" standalone="no"?>
<!-- Commentaire dans le prologue avant la DTD -->
<!DOCTYPE simple [
  <!-- Commentaire dans la DTD -->
  <!ELEMENT simple (#PCDATA) >
]>
<!-- Commentaire entre le prologue et le corps du document -->
<simple> 
  <!-- Commentaire au début du contenu de l'élément simple -->
  Un exemple simplissime
  <!-- Commentaire à la fin du contenu de l'élément simple -->
</simple>
<!-- Commentaire après le corps du document -->

Les caractères spéciaux '<', '>' et '&' peuvent apparaître dans les commentaires. Il est en particulier possible de mettre en commentaire des éléments avec leurs balises comme dans l'exemple ci-dessous.

<!-- <tag type="comment">Élément mis en commentaire</tag> -->

2.7.6. Instructions de traitement

Les instructions de traitement sont destinées aux applications qui traitent les documents XML. Elles sont l'analogue des directives #... du langage C qui s'adressent au compilateur. Elles peuvent apparaître aux mêmes endroits que les commentaires à l'exception du contenu de la DTD.

Les instructions de traitement sont délimitées par les chaînes de caractères '<?' et '?>'. Les deux caractères '<?' sont immédiatement suivis du nom XML de l'instruction. Le nom de l'instruction est ensuite suivi du contenu. Ce contenu est une chaîne quelconque de caractères ne contenant pas la chaîne '?>' utilisée par l'analyseur lexical pour déterminer la fin de l'instruction. Le nom de l'instruction permet à l'application de déterminer si l'instruction lui est destinée.

Bien que le contenu d'une instruction puisse être quelconque, il est souvent organisé en une suite de paires param="value" avec une syntaxe imitant celle des attributs. Il incombe cependant à l'application traitant l'instruction de parser le contenu de celle-ci pour en extraire la liste des paires.

Les fichiers sources DocBook de cet ouvrage contiennent des instructions de traitement de la forme suivante. Ces instructions indiquent le nom du fichier cible à utiliser par les feuilles de styles pour la conversion en HTML.

<?dbhtml filename="index.html"?>

Une feuille de style XSLT peut être attachée à un document XML par l'intermédiaire d'une instruction de traitement de nom xml-stylesheet comme ci-dessous.

<?xml-stylesheet href="list.xsl" type="text/xsl" title="En liste"?> 

L'entête XML <?xml version=... ?> ressemble à une instruction de traitement de nom xml avec des paramètres version, encoding et standalone. Elle utilise en effet la même syntaxe. Elle n'est pourtant pas une instruction de traitement et elle ne fait pas partie du document.

2.8. Exemples minimaux

Quelques exemples minimalistes de documents XML sont donnés ci-dessous.

2.8.1. Exemple minimal

L'exemple suivant contient uniquement un prologue avec la l'entête XML et un élément de contenu vide. Les balises ouvrante <tag> et fermante </tag> ont été contractées en une seule balise <tag/>. Ce document n'a pas de déclaration de DTD.

<?xml version="1.0"?>
<tag/>

L'exemple aurait pu encore être réduit en supprimant l'entête XML mais celle-ci est fortement conseillée. Le retour à la ligne après l'entête aurait aussi pu être supprimé sans changer le contenu du document.

2.8.2. Exemple simple avec une DTD

Cet exemple contient une déclaration de DTD qui permet de valider le document. Cette DTD déclare l'élément simple avec un contenu purement textuel.

<?xml version="1.0" encoding="ISO-8859-1" standalone="yes"?>
<!DOCTYPE simple [
  <!ELEMENT simple (#PCDATA)>
]>
<simple>Un exemple simplissime</simple>

2.9. XInclude

Il est possible de répartir un gros document en plusieurs fichiers afin d'en rendre la gestion plus aisée. Il existe essentiellement deux méthodes pour atteindre cet objectif. Le point commun de ces méthodes est de scinder le document en différents fichiers qui sont inclus par un fichier principal. Les deux méthodes se différencient par leurs façons de réaliser l'inclusion.

La méthode la plus ancienne est héritée de SGML et elle est basée sur les entités externes. La méthode, plus récente, basée sur XInclude est à utiliser de préférences aux entités externes. XInclude définit un élément xi:include dans un espace de noms associé à l'URL http://www.w3.org/2001/XInclude. Cet élément a un attribut href qui contient le nom du fichier à inclure et un attribut parse qui précise le type des données. Cet attribut peut prendre les valeurs xml ou text. Le fichier source principal de cet ouvrage inclut, par exemple, les fichiers contenant les différents chapitres grâce à des éléments include comme ci-dessous.

<book version="5.0"  
      xmlns="http://docbook.org/ns/docbook"
      xmlns:xi="http://www.w3.org/2001/XInclude">
  ...
  <!-- Inclusion des différents chapitres -->
  <xi:include href="introduction.xml"   parse="xml"/>
  <xi:include href="Syntax/chapter.xml" parse="xml"/>
  ...
</book>

Le fragment de document contenu dans un fichier inclus doit être bien formé. Il doit, en outre, être entièrement contenu dans un seul élément qui est l'élément racine du fragment.

Il faut prendre garde au fait que certaines applications ne gèrent pas XInclude. La solution est d'ajouter à la chaîne de traitement une étape consistant à construire un document global entièrement contenu dans un seul fichier. Le logiciel xmllint peut, par exemple, réaliser cette opération. Avec l'option --xinclude, il écrit sur la sortie standard un document où les éléments xi:include sont remplacés par le contenu des fichiers référencés. Cette option peut être combinée avec l'option --noent pour supprimer les entités définies dans la DTD.

L'opération consistant à remplacer un élément xi:include par le contenu du fichier doit mettre à jour l'attribut xml:base de l'élément racine du document dans le fichier. Cet attribut contient une URL qui permet de résoudre les liens relatifs. Le chemin d'accès au fichier doit donc être ajouté à la valeur de l'attribut xml:base. Il faut, en particulier, ajouter cet attribut s'il est absent et si le chemin d'accès est non vide. Le chemin d'accès au fichier est récupéré dans l'attribut href de l'élément xi:include.

La mise à jour des attributs xml:base garde une trace des inclusions et permet aux liens relatifs de rester valides. La prise en compte des valeurs de ces attributs xml:base incombe en revanche aux applications qui traitent le document et utilisent ces liens.

Si chacun des fichiers introduction.xml et Syntax/chapter.xml a comme élément racine un élément chapter sans attribut xml:base, le résultat de l'inclusion de ces fichiers doit donner un document ressemblant à ceci.

<book version="5.0"  
      xmlns="http://docbook.org/ns/docbook"
      xmlns:xi="http://www.w3.org/2001/XInclude">

  ...
  <!-- Inclusion des différents chapitres -->
  <chapter xml:id="chap.introduction" xml:base="introduction.xml">
    ...
  </chapter>
  <chapter xml:id="chap.syntax" xml:base="Syntax/chapter.xml">
    ...
  </chapter>
  ...
</book>