《Java核心技术》笔记 卷II 第3章 XML

可扩展标记语言(Extensible Markup Language, XML)是一种非常有用的描述结构化信息的技术。本章介绍XML，并涵盖了Java库的XML特性。

3.1 XML简介

XML能够表示层次结构，这比属性文件（参见卷I第9章 9.7.3节）的平面结构更灵活。

XML文件的格式很简单，看起来类似于HTML文件。描述程序配置的XML文件可能会像这样：

<config>
  <entry id="title">
    <font>
      <name>Helvetica</name>
      <size>36</size>
    </font>
  </entry>
  <entry id="body">
    <font>
      <name>Times Roman</name>
      <size>12</size>
    </font>
  </entry>
  <entry id="background">
    <color>
      <red>0</red>
      <green>50</green>
      <blue>100</blue>
    </color>
  </entry>
</config>

XML标准：

• https://www.w3.org/TR/REC-xml/
• https://www.xml.com/axml/axml.html

XML和HTML都衍生自标准通用标记语言(Standard Generalized Markup Language, SGML)，但是二者之前存在着重要的区别：

• 与HTML不同，XML是大小写敏感的。例如，<Config>和<config>是不同的XML标签。
• 在HTML中可以省略结束标签（如</p>或</li>），但在XML中绝对不能省略。
• 在XML中，只有单个标签而没有相应结束标签的元素必须以/结尾，例如<img src="coffeecup.png"/>。
• 在XML中，属性值必须用引号括起来。例如width="300"（width=300是合法的HTML，但不是合法的XML）。
• 在HTML中，属性名可以没有值，例如<input type="radio" name="language" value="Java" checked>。在XML中，所有属性必须都有值，例如checked="true"或checked="checked"。
• 针对HTML 4和5设计的XML称为XHTML。

3.2 XML文档的结构

XML文档应该以一个文档头(header)开始，例如

<?xml version="1.0"?>

或者

<?xml version="1.0" encoding="UTF-8"?>

文档头是可选的，但是强烈推荐使用文档头。

注释：由于SGML是为了处理真实文档而创建的，因此XML文件被称为文档(document)，尽管很多是用于描述数据集的。

文档头后面可以跟着文档类型定义(document type definition, DTD)，例如

<!DOCTYPE web-app PUBLIC
  "-//Sun Microsystems, Inc.//DTD Web Application 2.2//EN"
  "http://java.sun.com/j2ee/dtds/web-app_2_2.dtd">

DTD是确保文档正确性的重要机制，但它不是必需的。

最后，XML文档的主体包含根元素(root element)，根元素可以包含其他元素。例如：

<?xml version="1.0"?>
<!DOCTYPE config ...>
<config>
  <entry id="title">
    <font>
      <name>Helvetica</name>
      <size>36</size>
    </font>
  </entry>
  ...
</config>

元素可以包含子元素(child element)、文本或二者都有。在上述例子中，font元素有两个子元素name和size。name元素包含文本 “Helvetica” 。

提示：在设计XML文档结构时，最好让元素要么包含子元素，要么包含文本。换句话说，应该避免下面的情况：

<font>
  Helvetica
  <size>36</size>
</font>

在XML规范中，这叫做混合式内容(mixed content)。如果避免了混合式内容，就可以简化解析过程。

元素可以包含属性(attribute)，例如：

<size unit="pt">36</size>

XML设计者对于何时使用元素、何时使用属性存在一些分歧。例如，相比上面的例子，将字体如下描述似乎更简单一些：

<font name="Helvetica" size="36"/>

但是，属性的灵活性差很多。假设你想为字体大小添加单位，如果使用属性，就必须把单位添加到属性值中：

<font name="Helvetica" size="36 pt"/>

现在必须解析字符串 “36 pt” ，而这正是XML旨在避免的麻烦。向size元素添加一个属性会清晰得多：

<font>
  <name>Helvetica</name>
  <size unit="pt">36</size>
</font>

一条常用的经验法则是：属性只应该用来修改值的解释，而不是用来指定值。如果你发现自己陷入了争议，就不要使用属性。许多有用的XML文档根本不使用属性。

元素和文本是XML文档的核心内容。下面是一些其他标记指令：

• 字符引用(character reference)的形式是&#[0-9]+;或&#x[0-9a-fA-F]+;（注：其中的数字是字符在ISO/IEC 10646中的编码）。例如，字符é可以表示为é或é。
• 实体引用(entity reference)的形式是&name;。预定义的实体引用：

实体引用	含义
&lt; (less than)	<
&gt; (greater than)	>
&amp; (ampersand)	&
&quot; (quote)	”
&apos; (apostrophe)	’

可以在DTD中定义其他的实体引用。

• CDATA部分(CDATA section)以<![CDATA[和]]>为界。它是字符数据(character data)（即文本）的一种特殊形式，其中的文本可以包含< > &等特殊字符而无需转义，但不能包含字符串]]>。例如：

<![CDATA[< & > are my favorite delimiters]]>

• 处理指令(processing instruction)是在处理XML文档的应用程序中使用的指令，以<?和?>为界。例如：

<?xml-stylesheet href="mystyle.css" type="text/css"?>

每个XML文档都以下面的处理指令（文档头）开始：

<?xml version="1.0"?>

• 注释(comment)以<!--和-->为界。注释不应该包含字符串--。例如：

<!-- This is a comment. -->

3.3 解析XML文档

Java库提供了两种XML解析器：

• 树型解析器(tree parser)：将读入的XML文档转换成树结构，如文档对象模型(Document Object Model, DOM)解析器。
• 流式解析器(streaming parser)：在读入XML文档时生成相应的事件，如SAX (Simple API for XML)解析器。

注：Java XML处理API (JAXP)官方教程：https://docs.oracle.com/javase/tutorial/jaxp/TOC.html

DOM解析器的接口已经被W3C标准化(https://www.w3.org/TR/DOM-Level-3-Core/)。org.w3c.dom包包含了Document和Element等接口类型的定义，不同的提供者（如Apache和IBM）都编写了实现这些接口的DOM解析器。JDK也附带了一个DOM解析器（在javax.xml.parsers包中）。

为了读取XML文档，需要从DocumentBuilderFactory获得一个DocumentBuilder对象，如下所示：

DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();

现在可以从文件读取XML文档：

File f = ...;
Document doc = builder.parse(f);

也可以使用URL：

URL u = ...;
Document doc = builder.parse(u.toString());

注：这里的URL是作为字符串传递，也可以是文件名。

还可以指定任意的输入流：

InputStream in = ...;
Document doc = builder.parse(in);

Document对象是XML文档的树型结构在内存中的表示，它由实现了Node接口及其子接口的对象构成。下图展示了继承层次结构。

Document.getDocumentElement()方法返回文档的根元素。

Element root = doc.getDocumentElement();

Element.getTagName()方法返回元素的标签名。要得到元素的子节点（可能是子元素、文本、注释或其他节点），使用Node.getChildNodes()方法。该方法返回一个NodeList类型的集合，可以如下枚举所有子节点：

NodeList children = root.getChildNodes();
for (int i = 0; i < children.getLength(); i++) {
    Node child = children.item(i);
    ...
}

分析子节点时要小心空白符问题。例如，对于以下文档

<font>
  <name>Helvetica</name>
  <size>36</size>
</font>

你可能期望font元素有两个子节点，但是解析器报告有5个：

• <font>和<name>之间的空白符
• name元素
• </name>和<size>之间的空白符
• size元素
• </size>和</font>之间的空白符

注：使用getElementsByTagName()获得具有给定标签名的子元素则没有这个问题。

下图展示了其DOM树。

如果只希望得到子元素，可以通过判断子节点类型来忽略空白符：

for (int i = 0; i < children.getLength(); i++) {
    Node child = children.item(i);
    if (child instanceof Element childElement) {
        ...
    }
}

现在只会看到name和size两个元素。

注：也可以判断child.getNodeType() == Node.ELEMENT_NODE

在下一节将会看到，如果你的文档有DTD，解析器就能知道哪些元素没有文本子节点，并且会剔除空白符。

元素包含的文本字符串（如 “Helvetica” 和 “36” ）在Text类型的子节点中。这些Text节点是唯一的子节点，因此可以使用getFirstChild()方法而无需遍历NodeList。然后使用Text.getData()方法获取其中的字符串。

var textNode = (Text) childElement.getFirstChild();
String text = textNode.getData().strip();
if (childElement.getTagName().equals("name"))
    name = text;
else if (childElement.getTagName().equals("size"))
    size = Integer.parseInt(text);

提示：对getData()的返回值调用strip()或trim()方法是个好主意。如果开始和结束标签在不同的行，结果就会包含所有的换行符和空格。

注：也可以调用getNodeValue()或getTextContent()方法。对于Text节点，二者都等价于getData()。其他类型节点的返回值参见Node接口和getTextContent()方法API文档中的表格。

可以用getLastChild()方法得到最后一个子节点，用getNextSibling()得到下一个兄弟节点。因此，另一种遍历子节点的方法是

for (Node childNode = element.getFirstChild();
        childNode != null;
        childNode = childNode.getNextSibling()) {
    ...
}

要枚举节点的属性，调用getAttributes()方法。它返回一个NamedNodeMap对象，其中包含描述属性的Node对象（实际类型是Attr）。可以如下遍历所有属性：

NamedNodeMap attributes = element.getAttributes();
for (int i = 0; i < attributes.getLength(); i++) {
    Node attribute = attributes.item(i);
    String name = attribute.getNodeName();
    String value = attribute.getNodeValue();
    ...
}

如果知道属性名，可以直接获取相应的值：

String unit = element.getAttribute("unit");

程序清单3-1中的程序将一个XML文档转换成JSON格式。

程序清单3-1 dom/JSONConverter.java

3.4 验证XML文档

遍历DOM文档的树结构需要大量繁琐的编程和错误检查。不仅需要处理元素间的空白符，还要检查文档是否包含预期的节点。例如，假设读取下面这个元素：

<font>
  <name>Helvetica</name>
  <size>36</size>
</font>

首先跳过包含空白符的文本节点，找到第一个元素子节点。然后需要检查它的标签名是name并且有一个文本类型的子节点。接下来找到下一个非空白符的子节点并做同样的检查。如果文档作者改变了子元素的顺序或者添加了另一个子元素呢？

XML解析器的一个主要好处是它能自动验证文档是否具有正确的结构，这使得解析变得简单得多。例如，如果知道font元素已经通过了验证，就可以直接得到两个孙节点、将其转换成Text节点并得到文本数据，而无需进一步检查。

为了指定文档结构，可以提供文档类型定义(DTD)或XML Schema定义。DTD或Schema指定了每个元素的合法子元素和属性的规则。例如，以下DTD规则表示“font元素必须有两个子元素，分别是name和size”。

<!ELEMENT font (name,size)>

同样的约束用XML Schema表示如下：

<xsd:element name="font">
  <xsd:sequence>
    <xsd:element name="name" type="xsd:string" />
    <xsd:element name="size" type="xsd:int" />
  </xsd:sequence>
</xsd:element>

3.4.1 文档类型定义

提供DTD的方式有多种。可以将其包含在XML文档中，如下所示：

<?xml version="1.0"?>
<!DOCTYPE config [
  <!ELEMENT config ...>
  more rules...
]>
<config>
  ...
</config>

规则包含在DOCTYPE声明中，以[]为界。文档类型必须匹配根元素的名字，例如config。

把DTD存储在外部会更有意义。为此可以使用SYSTEM声明，指定一个包含DTD的URL。例如：

<!DOCTYPE config SYSTEM "config.dtd">

或者

<!DOCTYPE config SYSTEM "http://myserver.com/config.dtd">

警告：如果使用相对URL（如"config.dtd"），那么要给解析器一个File或URL对象（基于文档所在目录解析相对URL），而不是InputStream。如果必须从输入流解析，则提供一个实体解析器（见下面的注释）。

有一种来源于SGML的用于识别“众所周知的”DTD的机制。例如：

<!DOCTYPE web-app
  PUBLIC "-//Sun Microsystems, Inc.//DTD Web Application 2.2//EN"
  "http://java.sun.com/j2ee/dtds/web-app_2_2.dtd">

如果XML处理器知道如何定位带有公共标识符的DTD，就不需要URL了。

注释：DTD的系统标识符URL可能实际无法工作，或者被故意降速。解决方法是使用实体解析器(entity resolver)将公共标识符映射为本地文件。在Java 9之前，必须为DocumentBuilder提供一个实现了EntityResolver接口的对象。现在可以使用XML目录(XML catalog)来管理这种映射，提供一个或多个具有如下形式的目录文件。

<?xml version="1.0"?>
<!DOCTYPE catalog PUBLIC "-//OASIS//DTD XML Catalogs V1.0//EN"
  "http://www.oasisopen.org/committees/entity/release/1.0/catalog.dtd">
<catalog xmlns="urn:oasis:names:tc:entity:xmlns:xml:catalog" prefer="public">
  <public publicId="..." uri="..."/>
  ...
</catalog>

然后像下面这样构造并安装实体解析器：

builder.setEntityResolver(CatalogManager.catalogResolver(
    CatalogFeatures.defaults(),
    Path.of("catalog.xml").toAbsolutePath().toUri()));

除了在程序中设置目录文件位置，还可以在命令行中用javax.xml.catalog.files系统属性来指定，提供由分号分隔的文件绝对URL。

下面来看不同种类的规则。ELEMENT规则指定元素可以有什么样的子节点，使用如下表所示的正则表达式。

规则	含义
E*	0或多个E
E+	1或多个E
E?	0或1个E
(E1|E2|...|En)	E1, E2, …, En之一
(E1,E2,...,En)	依次E1, E2, …, En
(#PCDATA)	文本(parsed character data)
(#PCDATA|E1|E2|...|En)*	混合式内容（0个或多个文本和E1, E2, …, En以任意顺序排列）
ANY	允许任意子节点
EMPTY	不允许有子节点

例如，下面的规则声明menu元素包含0个或多个item元素：

<!ELEMENT menu (item)*>

下面这组规则声明font包含一个name和一个size，二者都包含文本：

<!ELEMENT font (name,size)>
<!ELEMENT name (#PCDATA)>
<!ELEMENT size (#PCDATA)>

规则可以包含嵌套的正则表达式。例如，下面的规则描述了一本书的章节构成：每章以简介开头，其后是一个或多个小节，每个小节由标题和一个或多个段落、图片、表格或注释构成。

<!ELEMENT chapter (intro,(heading,(para|image|table|note)+)+)>

当一个元素可以包含文本时，只有两种合法的情况。要么该元素只包含文本，比如

<!ELEMENT name (#PCDATA)>

要么该元素包含文本和标签的任意组合，比如

<!ELEMENT para (#PCDATA|em|strong|code)*>

指定其他类型的包含#PCDATA的规则都是非法的，例如：

<!ELEMENT captionedImage (image,#PCDATA)>

这种限制简化了XML解析器在解析混合式内容时的工作。最好在设计DTD时让所有元素要么包含其他元素，要么只包含文本。

注释：实际上，在DTD规则中并不能指定任意的正则表达式。XML解析器可能会拒绝某些导致非确定性解析的复杂规则。例如，正则表达式((x,y)|(x,z))是非确定性的（当解析器看到x时，不知道应该选择两种形式中的哪一个）。这个表达式可以改写成确定性的形式(x,(y|z))。然而，有些表达式无法改写，如((x,y)*|x?)。Java XML库中的解析器在遇到有歧义的DTD时不会给出警告，而是直接选择第一个匹配的形式，这会导致它拒绝一些正确的输入。XML标准允许解析器假设DTD是无歧义的。

还可以指定用于描述元素的合法属性的规则，语法为

<!ATTLIST element attribute type default>

下表显示了合法的属性类型(type)。

类型	含义
CDATA	任意字符串
(A1|A2|...|An)	字符串属性A1, A2, …, An之一
ID	唯一ID
IDREF, IDREFS	一个或多个唯一ID的引用
ENTITY, ENTITIES	一个或多个未解析实体
NMTOKEN, NMTOKENS	一个或多个名字符号

下表显示了默认值(default)的语法。

默认值	含义
#REQUIRED	属性是必需的
#IMPLIED	属性是可选的
A	属性是可选的，如果未指定则默认值为A
#FIXED A	属性必须未指定或者是A，如果未指定则默认值也为A

下面是两个典型的属性规则：

<!ATTLIST font style (plain|bold|italic|bold-italic) "plain">
<!ATTLIST size unit CDATA #IMPLIED>

第一条规则描述了font元素的style属性，有4个合法的属性值，默认值是plain。第二条规则表示size元素的unit属性可以包含任意字符串。

注释：通常推荐使用元素而不是属性来描述数据。然而，属性对于枚举类型有一个优点，即解析器能够检查它是否是允许的值之一，并在未指定时提供默认值。

CDATA属性值的处理与#PCDATA有微妙的差别，与<![CDATA[...]]>部分完全无关。属性值会先被规范化(normalized)——解析器会处理字符引用和实体引用（如é或<），并将空白符替换为空格。

NMTOKEN（name token，名字符号）与CDATA类似，但不允许使用大多数非字母数字字符和内部空白符，并且解析器会删除开头和结尾的空白符。NMTOKENS是空白符分隔的名字符号列表（如<p class="text highlight">）。

ID是在文档中唯一的名字符号，解析器会检查其唯一性（如<input id="name" ...>）。IDREF是同一文档中已有ID的引用（如<label for="name">），解析器也会对其进行检查。IDREFS是空白符分隔的ID引用列表。

ENTITY引用“未解析的外部实体”。这是从SGML遗留下来的，在实际中很少使用。

DTD也可以定义实体(entity)，即在解析过程中被替换的缩写。例如：

<!ENTITY back.label "Back">

其他地方的文本可以包含实体引用，例如：

<menuitem label="&back.label;"/>

解析器会将实体引用替换为对应的字符串。例如，要使应用程序国际化，只需修改实体定义中的字符串。实体的其他用途更复杂、不太常见。

现在可以配置解析器以充分利用DTD。首先，告诉DocumentBuilderFactory对象开启验证：

factory.setValidating(true);

要忽略文本节点中的空白符，调用

factory.setIgnoringElementContentWhitespace(true);

这样，对于3.4节开头的XML元素，可以依赖font节点只有两个子节点这一事实。不必再编写这样冗长的循环：

for (int i = 0; i < children.getLength(); i++) {
    Node child = children.item(i);
    if (child instanceof Element childElement) {
        if (childElement.getTagName().equals("name")) ...;
        else if (childElement.getTagName().equals("size")) ...;
    }
}

而是可以直接访问第一个和第二个子节点：

var nameElement = (Element) children.item(0);
var sizeElement = (Element) children.item(1);

当解析器报告错误时，你希望程序执行某些操作（例如记录日志，显示给用户，或者抛出异常）。因此，使用验证时应该安装错误处理器。这需要提供一个实现了ErrorHandler接口的对象，这个接口有三个方法：

void warning(SAXParseException e)
void error(SAXParseException e)
void fatalError(SAXParseException e)

使用DocumentBuilder类的setErrorHandler()方法安装错误处理器：

builder.setErrorHandler(handler);

3.4.2 XML Schema

XML Schema比DTD语法复杂得多，因此只介绍基础知识。更多信息参见 https://www.w3.org/TR/xmlschema-0/ 。

要在文档中引用Schema文件，需要在根元素中添加属性，例如：

<?xml version="1.0"?>
<config xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance"
    xsi:noNamespaceSchemaLocation="config.xsd">
  ...
</config>

Schema文件为每个元素和属性都定义了类型。简单类型是字符串（可能有内容限制），其他都是复杂类型。简单类型的元素可以没有属性和子元素，否则它必须是复杂类型。属性总是简单类型。

XML Schema内置了一些简单类型，包括xsd:string、xsd:int和xsd:boolean。

注释：我们用前缀xsd:表示XML Schema定义命名空间。有些作者使用前缀xs:。

可以自定义简单类型。例如，下面是一个枚举类型：

<xsd:simpleType name="StyleType">
  <xsd:restriction base="xsd:string">
    <xsd:enumeration value="PLAIN" />
    <xsd:enumeration value="BOLD" />
    <xsd:enumeration value="ITALIC" />
    <xsd:enumeration value="BOLD_ITALIC" />
  </xsd:restriction>
</xsd:simpleType>

定义元素时，要指定其类型：

<xsd:element name="name" type="xsd:string"/>
<xsd:element name="size" type="xsd:int"/>
<xsd:element name="style" type="StyleType"/>

类型限制了元素内容。例如，元素<size>default</size>将验证失败。

可以把类型组合成复杂类型，例如：

<xsd:complexType name="FontType">
  <xsd:sequence>
    <xsd:element ref="name" />
    <xsd:element ref="size" />
    <xsd:element ref="style" />
  </xsd:sequence>
</xsd:complexType>

FontType是name、size和style元素的序列。在这个类型定义中使用了ref属性来引用别处的定义。也可以嵌套定义，如下所示：

<xsd:complexType name="FontType">
  <xsd:sequence>
    <xsd:element name="name" type="xsd:string" />
    <xsd:element name="size" type="xsd:int" />
    <xsd:element name="style">
      <xsd:simpleType>
        <xsd:restriction base="xsd:string">
          <xsd:enumeration value="PLAIN" />
          <xsd:enumeration value="BOLD" />
          <xsd:enumeration value="ITALIC" />
          <xsd:enumeration value="BOLD_ITALIC" />
        </xsd:restriction>
      </xsd:simpleType>
    </xsd:element>
  </xsd:sequence>

注意style元素的匿名类型定义。

xsd:sequence结构等价于DTD中的拼接(,)，而xsd:choice等价于选择(|)。例如，

<xsd:complexType name="contactinfo">
  <xsd:choice>
    <xsd:element ref="email" />
    <xsd:element ref="phone" />
  </xsd:choice>
</xsd:complexType>

等价于DTD类型email|phone。

为了允许重复的元素，使用minoccurs和maxoccurs属性。例如，与DTD类型item*等价的形式如下：

<xsd:element name="item" type="..." minoccurs="0" maxoccurs="unbounded">

要指定属性，需要将xsd:attribute元素添加到complexType定义中：

<xsd:element name="size">
  <xsd:complexType>
    ...
    <xsd:attribute name="unit" type="xsd:string" use="optional" default="cm" />
  </xsd:complexType>
</xsd:element>

这等价于下面的DTD语句：

<!ATTLIST size unit CDATA #IMPLIED "cm">

把Schema的元素和类型定义放在根元素xsd:schema中：

<xsd:schema xmlns:xsd="http://www.w3.org/2001/XMLSchema">
  ...
</xsd:schema>

解析带有Schema的XML文件与解析带有DTD的文件类似，但有两点区别：

1.必须打开对命名空间的支持，即使在XML文件中并没有用到它

factory.setNamespaceAware(true);

2.必须设置以下工厂属性来处理Schema

final String JAXP_SCHEMA_LANGUAGE = "http://java.sun.com/xml/jaxp/properties/schemaLanguage";
final String W3C_XML_SCHEMA = "http://www.w3.org/2001/XMLSchema";
factory.setAttribute(JAXP_SCHEMA_LANGUAGE, W3C_XML_SCHEMA);

3.4.3 一个实际的例子

在本节中，将通过一个实际的例子来展示XML在现实环境中的使用。

假设一个应用程序需要配置数据，这些数据可以指定任意对象，而不只是文本字符串（注：即简化的Spring Bean配置）。我们提供两种机制来实例化对象：构造器和工厂方法。下面展示了如何使用构造器来创建Color对象：

<construct class="java.awt.Color">
  <int>55</int>
  <int>200</int>
  <int>100</int>
</construct>

注：等价于new java.awt.Color(55, 200, 100)

下面是使用工厂方法的例子：

<factory class="java.util.logging.Logger" method="getLogger">
  <string>com.horstmann.corejava</string>
</factory>

注：等价于java.util.logging.Logger.getLogger("com.horstmann.corejava")

如果省略工厂方法名，则默认为getInstance。

配置(config)是一系列的条目(entry)。每个条目有一个ID（属性）和一个对象（上述两种描述之一）。

<config>
  <entry id="background">
    <construct class="java.awt.Color">
      <int>55</int>
      <int>200</int>
      <int>100</int>
    </construct>
  </entry>
  ...
</config>

程序清单3-2中的程序展示了如何解析配置文件。如果选择的文件名包含字符串 “-schema” ，则程序会使用Schema，否则使用DTD。程序清单3-3包含示例配置。DTD在程序清单3-4中。程序清单3-5包含了等价的Schema（注意这里使用了xsd:group结构来定义会反复使用的复杂类型的各个部分）。

程序清单3-2 read/XMLReadTest.java

程序清单3-3 read/config.xml

read/config-schema.xml

程序清单3-4 config.dtd

程序清单3-5 config.xsd

3.5 使用XPath定位信息

如果想在XML文档中定位一段特定信息，浏览DOM树的节点会有点麻烦。XPath使访问树节点变得很容易。

XPath可以描述XML文档中的一个节点集合。例如，XPath表达式/html/body/form描述了XHTML文件中body元素的子节点中所有form元素的集合。

可以用[]运算符选择特定的元素。例如，/html/body/form[1]是第一个form（索引从1开始）。

使用@运算符得到属性值。例如，/html/body/form[1]/@action描述了第一个表单的action属性，/html/body/form/@action描述了body元素的子节点中所有form元素的所有action属性节点。

XPath有很多有用的函数。例如，count(/html/body/form)返回body元素的form子元素的数量。

更多语法参见XPath规范 https://www.w3.org/TR/xpath/ 或者在线教程 http://www.zvon.org/xxl/XPathTutorial/General/examples.html 。

为了计算XPath表达式，首先从XPathFactory创建一个XPath对象：

XPathFactory xpfactory = XPathFactory.newInstance();
XPath path = xpfactory.newXPath();

然后调用evaluate()方法来计算XPath表达式：

String username = path.evaluate("/html/head/title/text()", doc);

可以使用同一个XPath对象计算多个表达式。

这种形式的evaluate()方法返回一个字符串，适合用来获取文本（比如前面的例子中title元素的文本子节点）。如果XPath表达式生成多个节点，则调用

XPathNodes result = path.evaluateExpression("/html/body/form", doc, XPathNodes.class);

XPathNodes与NodeList类似，但是它实现了Iterable接口，因此可以使用for each循环。这个方法是在Java 9中添加的，在旧版本中，需要使用以下调用：

var nodes = (NodeList) path.evaluate("/html/body/form", doc, XPathConstants.NODESET);

如果结果是单个节点，则使用下面的调用之一：

Node node = path.evaluateExpression("/html/body/form[1]", doc, Node.class);
node = (Node) path.evaluate("/html/body/form[1]", doc, XPathConstants.NODE);

如果结果是一个数字，则使用

int count = path.evaluateExpression("count(/html/body/form)", doc, Integer.class);
count = ((Number) path.evaluate("count(/html/body/form)", doc, XPathConstants.NUMBER)).intValue();

不必从文档的根节点开始搜索，可以从任意节点或节点列表开始。例如，如果有前一次计算得到的节点，那么可以调用

String result = path.evaluate(expression, node);

如果不知道XPath表达式的计算结果是什么（可能来自用户），则调用

XPathEvaluationResult<?> result = path.evaluateExpression(expression, doc);

result.type()是下列XPathEvaluationResult.XPathResultType枚举常量之一，调用result.value()获得结果值。

STRING NODESET NODE NUMBER BOOLEAN

程序清单3-6中的程序演示了任意XPath表达式的计算。

程序清单3-6 xpath/XPathTest.java

3.6 使用命名空间

Java语言使用包来避免命名冲突。XML有类似的命名空间(namespace)机制，可用于元素名和属性名。

命名空间是由URI标识的，例如

http://www.w3.org/2001/XMLSchema
uuid:1c759aed-b748-475c-ab68-10679700c4f2
urn:com:books-r-us

HTTP URL格式是最常见的，因为这样容易确保其唯一性。注意，这里的URL只用作标识符字符串，而不是文档定位符。例如，标识符

http://www.horstmann.com/corejava
http://www.horstmann.com/corejava/index.html

表示不同的命名空间，尽管Web服务器会为这两个URL提供同一个网页。

命名空间URL所表示的位置不需要有任何文档，XML解析器不会去该处查找任何东西。不过，习惯上会将解释命名空间目的的文档放在URL位置上。例如，如果在浏览器访问XML Schema的命名空间URL (http://www.w3.org/2001/XMLSchema)，就会发现一个描述XML Schema标准的文档。

在Java中，可以用import机制省略类的包名。在XML中有类似的机制：

<element xmlns="namespaceURI">
  children
</element>

现在，该元素及其子元素都属于给定命名空间。

子元素可以提供自己的命名空间，例如：

<element xmlns="namespaceURI1">
  <child xmlns="namespaceURI2">
    grandchildren
  </child>
  more children
</element>

这样child及其子节点都属于命名空间2。

还有第二种机制，可以使用一个前缀来表示命名空间，即为特定文档选择的一个短标识符。下面是一个典型的例子，XML Schema文件中的xsd前缀：

<xsd:schema xmlns:xsd="http://www.w3.org/2001/XMLSchema">
  <xsd:element name="config"/>
  ...
</xsd:schema>

属性xmlns:prefix="namespaceURI"定义了一个命名空间和前缀。在这个例子中，前缀是xsd，从而xsd:schema意味着命名空间 http://www.w3.org/2001/XMLSchema 中的schema。

注释：只有子元素会继承父元素的命名空间，而不带显式前缀的属性并不属于命名空间。例如：

<configuration xmlns="http://www.horstmann.com/corejava"
  xmlns:si="http://www.bipm.fr/enus/3_SI/si.html">
  <size value="210" si:unit="mm" />
  ...
</configuration>

在这个示例中，元素configuration和size属于命名空间 http://www.horstmann.com/corejava ，属性si:unit属于命名空间 http://www.bipm.fr/enus/3_SI/si.html ，但是属性value不属于任何命名空间。

默认情况下，Java XML库的DOM解析器不感知命名空间。要开启命名空间处理，调用DocumentBuilderFactory类的setNamespaceAware()方法：

DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
factory.setNamespaceAware(true);

这样，该工厂产生的所有DocumentBuilder都支持命名空间。

从Java 13起，也可以调用

DocumentBuilderFactory factory = DocumentBuilderFactory.newNSInstance();

每个节点都有三个属性：

• 限定名(qualified name)，带有前缀，由getNodeName()和getTagName()等方法返回。
• 命名空间URI，由getNamespaceURI()方法返回。
• 局部名(local name)，不带前缀和命名空间，由getLocalName()方法返回。

例如，对于以下元素：

<xsd:schema xmlns:xsd="http://www.w3.org/2001/XMLSchema">

• 限定名 = xsd:schema
• 命名空间URI = http://www.w3.org/2001/XMLSchema
• 局部名 = schema

注释：如果未开启命名空间感知，getNamespaceURI()和getLocalName()将返回null。

3.7 流式解析器

DOM解析器会读入整个XML文档，并转换成树结构。但是，如果文档很大，而处理算法无需看到整个树结构，就会显得效率低下。在这种情况下，应该使用流式解析器。

下面几节将讨论Java库提供的流式解析器：SAX解析器和StAX解析器。前者使用事件回调，而后者提供了遍历解析事件的迭代器。

3.7.1 使用SAX解析器

SAX解析器在解析XML输入时报告事件，但不会以任何方式存储文档。使用SAX解析器时，需要提供一个处理器(handler)来为各种解析事件定义动作。ContentHandler接口定义了几个回调方法，解析器在解析文档时会调用这些方法。下面是最重要的几个：

• startElement()和endElement()：遇到开始和结束标签时调用
• characters()：遇到字符数据时调用
• startDocument()和endDocument()：遇到文档开始和结束时调用

例如，在解析以下片段时

<font>
  <name>Helvetica</name>
  <size unit="pt">36</size>
</font>

解析器会产生以下回调：

1. startElement()，元素名：font
2. startElement()，元素名：name
3. characters()，内容：Helvetica
4. endElement()，元素名：name
5. startElement()，元素名：size，属性：unit="pt"
6. characters()，内容：36
7. endElement()，元素名：size
8. endElement()，元素名：font

本节结尾的程序会打印出HTML文件中的所有链接<a href="...">。这可用于实现“网络爬虫”(web crawler)，即沿着链接到达越来越多网页的程序。

注释：HTML不一定的合法的XML。许多网页与合法的XML差距太大，以至于示例程序可能无法解析。不过，W3C的大部分网页都是用XHTML（一种是合法XML的HTML方言）编写的，可以用这些网页来测试示例程序。例如：

java sax.SAXTest https://www.w3.org/

可以像这样得到SAX解析器：

SAXParserFactory factory = SAXParserFactory.newInstance();
SAXParser parser = factory.newSAXParser();

现在可以处理文档：

parser.parse(source, handler);

其中source可以是文件、URL字符串或输入流，handler属于DefaultHandler的某个子类。DefaultHandler类为以下四个接口定义了不执行任何操作的方法：

ContentHandler
DTDHandler
EntityResolver
ErrorHandler

示例程序定义了一个处理器，覆盖了ContentHandler接口的startElement()方法，以寻找带有href属性的a元素。

var handler = new DefaultHandler() {
    public void startElement(String namespaceURI, String lname, String qname, Attributes attrs)
        throws SAXException {
        if (lname.equals("a") && attrs != null) {
            for (int i = 0; i < attrs.getLength(); i++) {
                String aname = attrs.getLocalName(i);
                if (aname.equals("href"))
                    System.out.println(attrs.getValue(i));
            }
        }
    }
};

startElement()方法有三个描述元素名的参数（见3.6节）。qname参数是限定名，形式为prefix:localname。如果开启了命名空间处理，则namespaceURI和lname参数提供命名空间URI和局部名。

与DOM解析器一样，命名空间处理默认是关闭的。要开启处理，调用工厂类的setNamespaceAware(true)方法。或者从Java 13起，可以用newNSInstance()创建感知命名空间的工厂：

SAXParserFactory factory = SAXParserFactory.newNSInstance();
SAXParser saxParser = factory.newSAXParser();

如果不需要验证文档，只需调用

factory.setFeature("http://apache.org/xml/features/nonvalidating/load-external-dtd", false);

程序清单3-7包含网络爬虫程序的代码。

程序清单3-7 sax/SAXTest.java

3.7.2 使用StAX解析器

StAX (Streaming API for XML)解析器是一种“拉式解析器”(pull parser)。只需使用以下基本循环来迭代事件，而不是安装事件处理器：

InputStream in = url.openStream();
XMLInputFactory factory = XMLInputFactory.newInstance();
XMLStreamReader parser = factory.createXMLStreamReader(in);
while (parser.hasNext()) {
    int event = parser.next();
    // Call parser methods to obtain event details
}

例如，在解析以下片段时

<font>
  <name>Helvetica</name>
  <size unit="pt">36</size>
</font>

解析器会产生以下事件：

1. START_ELEMENT，元素名：font
2. CHARACTERS，内容：空白符
3. START_ELEMENT，元素名：name
4. CHARACTERS，内容：Helvetica
5. END_ELEMENT，元素名：name
6. CHARACTERS，内容：空白符
7. START_ELEMENT，元素名：size，属性：unit="pt"
8. CHARACTERS，内容：36
9. END_ELEMENT，元素名：size
10. CHARACTERS，内容：空白符
11. END_ELEMENT，元素名：font

注：这些事件类型常量定义在XMLStreamConstants接口中。对于每种类型的事件可调用的解析器方法参见XMLStreamReader类API文档中的表格。

要得到属性值，调用XMLStreamReader类的getAttributeValue()方法，例如：

String units = parser.getAttributeValue(null, "units");

默认情况下，命名空间处理是开启的，可以像这样关闭：

factory.setProperty(XMLInputFactory.IS_NAMESPACE_AWARE, false);

程序清单3-8包含用StAX解析器实现的网络爬虫程序。

程序清单3-8 stax/StAXTest.java

3.8 生成XML文档

下面介绍如何产生XML输出。当然，可以直接通过一系列print调用打印出元素、属性和文本内容，但代码会非常冗长，而且容易出错。

一种更好的方式是用文档内容构建DOM树，然后再写出其内容。

3.8.1 无命名空间的文档

要构建DOM树，需要从空文档开始。通过调用DocumentBuilder类的newDocument()方法得到一个空文档：

DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();
Document doc = builder.newDocument();

使用Document类的createElement()方法创建元素：

Element rootElement = doc.createElement(rootName);
Element childElement = doc.createElement(childName);

使用createTextNode()方法创建文本节点：

Text textNode = doc.createTextNode(textContents);

使用appendChild()方法将根元素添加到文档，子节点添加到父节点：

doc.appendChild(rootElement);
rootElement.appendChild(childElement);
childElement.appendChild(textNode);

可以使用Element类的setAttribute()方法设置元素属性：

rootElement.setAttribute(name, value);

3.8.2 有命名空间的文档

如果使用命名空间，创建文档的过程会稍有差异。

首先，将工厂设置为命名空间感知的（与解析时一样），然后创建DocumentBuilder：

factory.setNamespaceAware(true);
DocumentBuilder builder = factory.newDocumentBuilder();

然后使用createElementNS()而不是createElement()方法创建元素：

String namespace = "http://www.w3.org/2000/svg";
Element rootElement = doc.createElementNS(namespace, "svg");

如果元素具有带命名空间前缀的限定名，那么所有必要的带xmlns前缀的属性都会被自动创建。例如，如果需要在XHTML中包含SVG，可以像这样创建元素：

Element svgElement = doc.createElement(namespace, "svg:svg")

当元素被写出时，会转换为

<svg:svg xmlns:svg="http://www.w3.org/2000/svg">

如果需要设置名字位于命名空间中的属性，使用Element类的setAttributeNS()方法：

rootElement.setAttributeNS(namespace, qualifiedName, value);

3.8.3 写出文档

将DOM树写到输出流并非易事。最容易的方式是使用XSL转换API，将在下一节介绍。本节考虑直接生成XML输出。

将不做任何操作的转换应用于文档，并捕获其输出。为了在输出中包含DOCTYPE节点，还需要将SYSTEM和PUBLIC标识符设置为输出属性。

// construct the do-nothing transformation
Transformer t = TransformerFactory.newInstance().newTransformer();
// set output properties to get a DOCTYPE node
t.setOutputProperty(OutputKeys.DOCTYPE_SYSTEM, systemIdentifier);
t.setOutputProperty(OutputKeys.DOCTYPE_PUBLIC, publicIdentifier);
// set indentation
t.setOutputProperty(OutputKeys.INDENT, "yes");
t.setOutputProperty(OutputKeys.METHOD, "xml");
t.setOutputProperty("{http://xml.apache.org/xslt}indent-amount", "2");
// apply the do-nothing transformation and send the output to a file
t.transform(new DOMSource(doc), new StreamResult(new FileOutputStream(file)));

另一种方式是使用LSSerializer接口。像这样获得实例：

DOMImplementation impl = doc.getImplementation();
var implLS = (DOMImplementationLS) impl.getFeature("LS", "3.0");
LSSerializer ser = implLS.createLSSerializer();

如果需要空格和换行，设置以下标志：

ser.getDomConfig().setParameter("format-pretty-print", true);

然后将文档转换为字符串：

String str = ser.writeToString(doc);

如果想直接将输出写到文件中，则需要LSOutput：

LSOutput out = implLS.createLSOutput();
out.setEncoding("UTF-8");
out.setByteStream(Files.newOutputStream(path));
ser.write(doc, out);

3.8.4 使用StAX写出XML文档

通过DOM树写出XML文档的方式不是很高效。

StAX API可以直接写出XML树。首先从输出流构造一个XMLStreamWriter：

XMLOutputFactory factory = XMLOutputFactory.newInstance();
XMLStreamWriter writer = factory.createXMLStreamWriter(out);

要产生XML文档头，调用writer.writeStartDocument()。

调用writeStartElement(name)添加元素，writeAttribute(name, value)添加属性，writeCharacters(text)添加文本。写完所有子节点之后，调用writeEndElement()，这会关闭当前元素。

要写出没有子节点的元素（如<img .../>），调用writeEmptyElement(name)。

最后，在文档结尾调用writeEndDocument()，这会关闭所有打开的元素。

你需要手动关闭XMLStreamWriter，因为该接口没有扩展AutoCloseable接口。

与DOM/XSLT方式一样，你不必担心属性值和字符数据中的转义字符。但是，仍然有可能产生非良构的XML，例如有多个根节点的文档。另外，当前版本的StAX还不支持产生缩进输出。

3.8.5 示例：生成SVG文件

程序清单3-9中的程序展示了写出XML的两种方式：DOM和StAX。

程序清单3-9 write/XMLWriteTest.java

该程序绘制了一幅现代派绘画——一组随机的彩色矩形（如下图所示）。我们使用可缩放矢量图形(Scalable Vector Graphics, SVG)格式保存作品。SVG是一种XML格式，用于以设备无关的方式描述复杂图形。关于SVG的更多信息参见 https://www.w3.org/Graphics/SVG/ 。要查看SVG文件，只需使用任何现代浏览器。

下面是一个使用SVG表示一组彩色矩形的例子：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE svg PUBLIC "-//W3C//DTD SVG 20000802//EN"
  "http://www.w3.org/TR/2000/CR-SVG-20000802/DTD/svg-20000802.dtd">
<svg xmlns="http://www.w3.org/2000/svg" width="300" height="150">
  <rect x="231" y="61" width="9" height="12" fill="#6e4a13" />
  <rect x="107" y="106" width="56" height="5" fill="#c406be" />
  ...
</svg>

3.9 XSL转换

XSL转换(Extensible Stylesheet Language Transformation, XSLT)机制可以指定用于将XML文档转换为其他格式的规则，例如纯文本、XHTML或任何其他XML格式。

你需要提供XSLT样式表。XSLT处理器读取XML文档和这个样式表，并产生所需的输出（如下图所示）。

XSLT规范很复杂，可以在 https://www.w3.org/TR/xslt/ 获得。

下面介绍一个有代表性的例子。假设我们想要把包含员工记录的XML文件转换成HTML页面。对于输入文件：

<staff>
  <employee>
    <name>Carl Cracker</name>
    <salary>75000.0</salary>
    <hiredate year="1987" month="12" day="15" />
  </employee>
  <employee>
    <name>Harry Hacker</name>
    <salary>50000.0</salary>
    <hiredate year="1989" month="10" day="1" />
  </employee>
  <employee>
    <name>Tony Tester</name>
    <salary>40000.0</salary>
    <hiredate year="1990" month="3" day="15" />
  </employee>
</staff>

希望的输出是一张HTML表格：

<table border="1">
  <tr>
    <td>Carl Cracker</td>
    <td>$75000.0</td>
    <td>1987-12-15</td>
  </tr>
  <tr>
    <td>Harry Hacker</td>
    <td>$50000.0</td>
    <td>1989-10-1</td>
  </tr>
  <tr>
    <td>Tony Tester</td>
    <td>$40000.0</td>
    <td>1990-3-15</td>
  </tr>
</table>

包含转换模板的样式表(stylesheet)形式如下：

<?xml version="1.0" encoding="ISO-8859-1"?>
<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform" version="1.0">
  <xsl:output method="html" />
  template1
  template2
  ...
</xsl:stylesheet>

注：XSL转换类似于Django的模板渲染，只是数据来自XML文件而不是Django视图，样式表相当于Django模板，结果都是渲染后的HTML页面。

在这个例子中，xsl:output元素将method指定为html。其他合法的设置包括xml和text。

下面是一个典型的模板：

<xsl:template match="/staff/employee">
  <tr><xsl:apply-templates/></tr>
</xsl:template>

xsl:template的match属性的值是一个XPath表达式。该模板声明，每当遇到XPath /staff/employee描述的节点时，执行以下操作：

1. 产生字符串<tr>。
2. 在处理其子节点时继续应用模板。
3. 处理完所有子节点后产生字符串</tr>。

换句话说，该模板生成每条员工记录周围的HTML表格行标签。

XSLT处理器从根元素开始处理。每当一个节点匹配某个模板时，就应用该模板（如果匹配多个模板，就使用最佳匹配的）。如果没有匹配的模板，处理器会执行默认动作：对于文本节点，将其内容包含到输出中；对于元素，不产生输出，但继续处理其子节点。

下面是用于转换员工name节点的模板：

<xsl:template match="/staff/employee/name">
  <td><xsl:apply-templates/></td>
</xsl:template>

模板产生标签<td>...</td>，处理器会访问文本子节点并产生其内容（前提是没有其他匹配的模板）。

如果要把属性值复制到输出，需要使用xsl:value-of。下面是一个例子：

<xsl:template match="/staff/employee/hiredate">
  <td><xsl:value-of select="@year"/>-<xsl:value-of select="@month"/>-<xsl:value-of select="@day"/></td>
</xsl:template>

xsl:value-of用于计算节点集的字符串值，节点集由select属性的XPath指定。在这里，XPath是相对于当前处理的节点。通过拼接所有节点的字符串值，将节点集转换为字符串。对于属性节点，字符串值就是属性值；对于文本节点是其内容；对于元素节点是其所有子节点（不包括属性）字符串值的拼接。

程序清单3-10包含将员工记录XML文件转换成HTML表格的样式表。

程序清单3-10 transform/makehtml.xsl

程序清单3-11展示了一种不同的转换，输出是属性文件格式的纯文本：

employee.1.name=Carl Cracker
employee.1.salary=75000.0
employee.1.hiredate=1987-12-15
employee.2.name=Harry Hacker
employee.2.salary=50000.0
employee.2.hiredate=1989-10-1
employee.3.name=Tony Tester
employee.3.salary=40000.0
employee.3.hiredate=1990-3-15

程序清单3-11 transform/makeprop.xsl

这个示例使用了position()函数，该函数返回当前节点在父节点中的位置。只要切换样式表就可以得到完全不同的输出。

在Java中生成XSL转换很简单。为每个样式表设置一个转换器工厂，然后得到一个转换器对象，并将一个源转换成结果：

var styleSheet = new File(filename);
var styleSource = new StreamSource(styleSheet);
Transformer t = TransformerFactory.newInstance().newTransformer(styleSource);
t.transform(source, result);

transform()方法的参数分别是实现了Source和Result接口的对象。

Source接口有4个实现类：DOMSource, SAXSource, StAXSource, StreamSource。例如，在上一节中调用了如下的恒等转换：

t.transform(new DOMSource(doc), result);

在本节的示例程序中，并不是读取现有的XML文件，而是实现了一个SAX XML读取器EmployeeReader，通过产生适当的事件来给人一种解析XML文件的错觉。实际上读取的是一个文本文件，如下所示：

Carl Cracker|75000.0|1987|12|15
Harry Hacker|50000.0|1989|10|1
Tony Tester|40000.0|1990|3|15

例如，对于每一行，生成employee的startElement事件；对于每个字段，生成characters事件。

转换器的源是从XML读取器构造的：

t.transform(new SAXSource(new EmployeeReader(), new InputSource(new FileInputStream(filename))), result);

这是一个将非XML的遗留数据转换成XML的技巧。当然，大多数XSLT应用程序读取的都是XML格式的输入数据，只需使用StreamSource()即可：

t.transform(new StreamSource(file), result);

转换结果是一个实现了Result接口的对象，Java库提供了4个实现类：DOMResult, SAXResult, StAXResult, StreamResult。

要把结果存储到DOM树中，生成一个新的文档并将其包装到DOMResult中：

Document doc = builder.newDocument();
t.transform(source, new DOMResult(doc));

要将输出保存到文件中，使用StreamResult：

t.transform(source, new StreamResult(file));

程序清单3-12包含完整的代码。

程序清单3-12 transform/TransformTest.java