UNIVERSITÄT GIESSEN
Institut für Informatik
Dr. Stefan Brass

Kompaktkurs XML, Kapitel 1: Einleitung

Was ist XML?

• XML steht für eXtensible Markup Language.
• XML ist ein Formalismus, der die Definition HTML-ähnlicher Markup-Sprachen bzw. Daten-Formate erlaubt.
• Z.B. wird damit möglich:

  <EMAIL>
           <FROM>sbrass@sis.pitt.edu</FROM>
           <TO>brass@informatik.uni-giessen.de</TO>
           <DATE>200006201440</DATE>
           <SUBJECT>Test</SUBJECT>
           <CONTENTS>Funktioniert meine neue
                    Email Adresse schon?</CONTENTS>
  </EMAIL>
  

• XML ist eine vereinfachte Fassung von SGML (Standard Generalized Markup Language).
• XML ist ein neues Datenmodell, das in Konkurrenz zum relationalen Datenmodell treten wird.

  Es hat gewisse Ähnlichkeiten zum veralteten hierarchischen Modell. Auf der anderen Seite ist es ein semistrukturiert Datenmodel (und damit sehr modern): Schwächer strukturiert als relationale Datenbanken, stärker als reiner Text (z.B. Attribute können fehlen oder mehrere Werte haben, manchmal eine geschachtelte Struktur aufweisen, und manchmal nur Text enthalten).

• Mit XML kann die Verarbeitung von Daten (in Sinne von Datenbanken) und Dokumenten integriert werden.

  Es wird gesagt, daß noch immer der weit größere Teil der für Unternehmen relevanten Informationen nicht in Datenbanken gespeichert ist, sondern in Dokumenten steht (und in den Köpfen der Mitarbeiter).

• XML ist die Grundlage des zukünftigen ``semantischen Web''.
• XML ist ein universelles Datenaustausch-Format.

Markup-Sprachen

• Früher wurde ein Manuskript mit der Schreibmaschine getippt, aber dann für den Setzer mit handschriftlichen Markierungen versehen. Z.B. wurde etwas unterstrichen oder eingekreist und dann am Rand ``kursiv'' vermerkt.
• Später wurden solche handschriftlichen Markierungen von Textteilen durch entsprechende Kommandos für Programme ersetzt, etwa {\it ...} für TeX/LaTeX.
• Mit leuchtend-gelben ``Textmarkern'' werden häufig besonders wichtige Textteile hervorgehoben. Markierungen in Texten dienen also nicht nur der Formatierung beim Drucken.

  Tatsächlich verwenden manche Studenten sogar verschiedene Farben mit verschiedenen Bedeutungen.

• Charles Goldfarb, der Vater von SGML, sagt, er hätte den Begriff ``Markup Language'' 1969 erfunden, damit die Abkürzung GML (``Generalized Markup Language'') zu den Erfindern Goldfarb, Mosher und Lorie passt.

  Dieser Vorläufer von SGML ist in einem Projekt bei IBM entstanden, in dem ein System zur Verwaltung von juristischen Dokumenten entwickelt wurde.

Darstellungs-orientiertes und inhaltliches Markup

• Zunächst war die Markierungen in den Texten nur Anweisungen für den Schriftsatz, z.B. 18pt-Schrift, kursiv, Einrückung.
• Dies ist vernünftig, solange die einzige Verwendung des Textes das Ausdrucken in genau diesem Format ist. Wenn man den Text aber auch auf andere Weisen verarbeiten möchte, reicht dies nicht mehr aus.

  Zum Beispiel könnte man Kursiv-Schrift für Hervorhebungen verwenden, aber auch für definierende Vorkommen von Begriffen, und für Namen. Für eine Rechtschreib-Prüfung ist es nun wichtig, daß das Programm Namen erkennt. Für die Erstellung eines Glossars oder Indexes müssen müssen die Definitionen erkannt werden. Für einen Menschen ist es nicht schwierig, diese verschiedenen Verwendungen kursiver Schrift zu unterscheiden, aber Computer sind dumm und brauchen explizite Markierungen. Indem für inhaltlich verschiedene Dinge die gleiche Markierung verwendet wurde, ist es zu einem Informationsverlust gekommen.

• Texte werden heute also nicht nur zum Ausdrucken verwendet, sondern es sind auch andere Verarbeitungen möglich.

  Zum Beispiel erfordert auch das automatische Erstellen eines Inhaltsverzeichnisses, daß Kapitelüberschriften klar als solche gekennzeichnet sind, und nicht einfach nur als groß und fett. Besondere Warnungen im Text könnten auch groß und fett sein.

• Man muß sich bei der Erstellung des Textes Gedanken über mögliche Verwendungen machen. Alle Textbestandteile, die man gesondert behandeln will, müssen bei der Erfassung entsprechend markiert werden. Die Verwendung des XML-Formates alleine ist noch kein Zaubermittel.

  Dies schließt auch Änderungen der Notation bzw. die ``Suche und Ersetze''-Funktion mit ein. Wenn man in einem Datenbank-Lehrbuch den Buchstaben ``Sigma'' sowohl für Datenbank-Zustände als auch für die Selektion verwendet, und es stellt sich heraus, daß man Datenbank-Zustände umbenennen muß, kann das eine langwierige und fehleranfällige manuelle Aufgabe sein. Es wäre besser, man hätte die logischen Konzepte (Zustand bzw. Selektion) von der Darstellung (Sigma) unterschieden.

• Das Suchen in Texten ist auch eine Funktion, die durch entsprechende Markierungen sehr erleichtert werden kann.

  In dem XML Handbook wird als Beispiel die Suche nach einem Brief an Martha über ``John Smith's will'' genannt. Das Wort ``will'' ist sehr häufig in der englischen Sprache, aber hier meint es ``Testament''. Auch ist wichtig, daß Martha der Empfänger ist, und nicht einfach nur im Text vorkommt. Eine bloße Suche nach den Worten würde viele nicht-relevante Dokumente liefern.

• Auch muß man Texte heute häufig auf verschiedenen Medien ausgeben, was unterschiedliche Formatierungen des gleichen Textes erfordert.

  Z.B. Darstellung im Web-Browser (mit/ohne Java, Grafiken, Frames), Drucken auf Papier (Seiten-Einteilung wichtig, besser ein größeres Dokument als viele kleine), automatisches Vorlesen für blinde Nutzer (oder Autofahrer), Kurzfassung für Handys (WAP).

• Manchmal möchte man auch nur Auszüge eines Dokumentes ausgeben, nicht den ganzen Text.

  Interaktive Lehrbücher: Textteile werden je nach Kenntnisstand des Lesers weggelassen (``adaptive Hypermedia'', [http://www2.sis.pitt.edu/~peterb/], [http://wwwis.win.tue.nl/ah/], Projekt Wartungshandbücher für Flugzeuge). ``Document Processing''-Kurs in Pittsburgh: Tabelle mit Studenten-Information. Stylesheet druckt Email-Liste. Notizen, Anmerkungen, Versions-Information im Text selbst wird normalerweise nicht mit ausgegeben.

• WYSIWYG (``what you see is what you get''): ``What you see is all you've got.''

  As programming legend Brian Kernighan once noted, the problem with ``What you see is what you get'' is that what you see is all you've got.'' [Bosak/Bray, "XML and the Second-Generation Web"]

• ``Write once, use everywhere.''

Stylesheets

• Daher sollten die Anweisungen zum Ausgabeformat vom eigentlichen Text getrennt werden.

  Im XML Handbook wird inhaltsorientiertes/logisches Markup auch ``abstraktes Markup'' genannt, weil es die Details zum Ausdrucken nicht enthält.

• Das Ausgabeformat wird in sogenannten Stylesheets festgelegt.

  Ein Text kann mehrere Stylesheets haben, z.B. zur Ausgabe auf unterschiedliche Medien oder zur Anpassung an unterschiedliche Benutzerwünsche.

• Zu Anfang waren Stylesheets einfach Makro-Definitionen, zum Beispiel wurde das Kommando ``Kapitelüberschrift'' im Text durch Kommandos für ``18 Punkt'' und ``Fett'' ersetzt.
• Die Trennung von logischem und physischem Markup soll erstmals im SCRIBE-System realisiert worden sein, das an der Carnegie-Mellon-University (CMU) in Pittsburgh entwickelt wurde.

  Richard Stallman, Gründer der Free Software Foundation (GNU), beklagt, daß der Geist, daß alle Software frei ist und beliebig geteilt werden kann, zerstört wurde, als das SCRIBE System an eine Firma verkauft wurde. Vorher wurden Programme mehr als Kunstwerke angesehen, und Programmieren war im wesentlichen Spaß, und nicht ein Mittel, um reich zu werden. Programme wurden kostenlos im Quellcode ausgetauscht, und jeder war eingeladen, sie anzupassen und zu verbessern. Als die Leute aber verstanden, daß sie damit viel Geld verdienen können, wenn sie ihre Ideen nicht mehr teilen, wurde diese Kultur zerstört.

  Die LaTeX-Befehle sollen sehr direkt vom SCRIBE-System inspiriert sein.

• XML selbst macht keinerlei Angaben darüber, wie der Text dargestellt werden soll. ``XML specifies Syntax, not Semantics''.

  Natürlich kann man Markierungen definieren, die physisches Markup darstellen sollen (z.B. <Kursiv>), aber diese Bedeutung/Interpretation kann in XML nicht spezifiziert werden (dafür gibt es XSL, die ``Extensible Stylesheet Language''). XML selbst ist nur ein Grammatik-Formalismus, mit dem man formale Sprachen, also Datenformate definieren kann. Solange man XML nur zum Datenaustausch zwischen Programmen verwendet, ist es auch gar nicht nötig, spezielle Schriftsatzangaben zum Ausdrucken zu machen. Um es nocheinmal klar zu sagen: XML ist keine Programmiersprache wie C oder Java. XML ist ein Datenformat. Man kann die Syntax der Daten in einem Teil von XML spezifizieren (als ``Document Type Definition'' oder DTD) und die Daten selbst dann in der so spezifizierten Teilmenge von XML aufschreiben. Die Bedeutung der Daten kann man nicht in XML festlegen. XML selbst ``tut'' überhaupt nichts.

• XSL besteht aus zwei Teilen:
  1. Einem Formalismus für rekursive Regeln zur Übersetzung von XML mit einem Satz von Markierungen in XML mit einem anderen Satz von Markierungen (XSLT: XSL Transformations).
  2. Einem Satz von Markierungen für physisches Markup (Formatting Objects).

  XSLT kann aber z.B. auch zur Übersetzung in HTML verwendet werden (dies ist im Moment die häufigste Art, XML in Web darzustellen). Man kann mit XSLT sogar eine Übersetzung nach LaTeX durchführen.

• In der englischen Literatur wird das Formatieren eines Textes zum Ausdrucken ``Rendering'' genannt (übersetzen, interpretieren).

Energie-Metapher

• Im Buch ``ABCD...SGML'' von Liora Alschuler werden verschiedene Formate, in denen textuelle Information vorliegen kann, mit verschiedenen Energieebenen verglichen.
• Aufwärtskonvertierung ist mühsam und erfordert den Einsatz von Energie, Abwärtskonvertierung ist einfach (es wird allerdings nicht richtig Energie frei).
• Ganz unten steht eine Hardcopy (ein Ausdruck), gefolgt von der Darstellung als Bitmap-Grafik.
• Als nächstes kommt die Darstellung als reiner ASCII-Text ohne Formatieranweisungen. Vom ASCII-Text zur Hardcopy ist einfach, aber vom Ausdruck zum ASCII-Text ist schon nicht trivial.
• Dann folgen Textverarbeitungssysteme wie Word. Wieder ist es einfach, zum ASCII-Text zu kommen, aber in der umgekehrten Richtung muß man mühsam von Hand Formatierungen einfügen.
• Ganz oben steht in diesem Diagramm SGML und strukturierte Information. Von SGML bzw. XML kann man leicht zu Text mit Formatierungsanweisungen kommen, aber dabei geht Information verloren, die man in der umgekehrten Richtung mühsam rekonstruieren muß.

``Unabhängigkeitserklärung des Informations-Anbieters''

• Ein anderer Gedanke aus dem Buch ``ABCD...SGML'' ist, daß SGML den Autor in verschiedener Hinsicht unabhängig macht.
• Unabhängig von einem speziellen Anbieter: SGML ist ein ISO-Standard (seit 1986) und es gibt SGML-Werkzeuge von einer ganzen Reihe verschiedener Hersteller. Bei XML gibt es auch schon eine größere Anzahl freier Programme. ``Wer das Format besitzt, besitzt die Informationen.''

  Die Lizenz-Gebühr für das Programm ist wie eine Miete für die Informationen, die man doch selbst besitzen sollte. Datenformate von Programmen werden häufig geändert, zum Beispiel soll es heute sehr schwer sein, noch Dateien für WordPerfect 3.1 für DOS zu lesen, daß vor etwa 10 Jahren aktuell war. Auch Microsofts RTF-Format wurde verschiedentlich geändert. Man muß also wie bei einer Miete regelmäßig für Updates bezahlen. Der SGML-Standard ist dagegen nach 1986 nur wenig geändert worden und immer noch aktuell. XML ist eine vereinfachte Version von SGML, und die Konvertierung ist recht einfach. Es ist auch nicht ganz unwahrscheinlich, daß viele XML-Werkzeuge mit der Zeit auch das volle SGML verstehen werden.

• Unabhängig von einem bestimmten Betriebssystem

  XML basiert auf dem Unicode Standard zur Codierung internationaler Schriftzeichen. XML schreibt vor, daß Zeilenenden der Anwendung als einzelnes Linefeed übergeben werden (auch unter MS-DOS und auf Macs). XML Werkzeuge gibt es für viele unterschiedliche Betriebssysteme (viele sind heute in Java geschrieben).

• Unabhängigkeit von dem Ausgabemedium

  XML kann relativ einfach in verschiedene Ausgabeformate für Drucker, das Web, CD-ROMs, etc. übersetzt werden. Vor 10 Jahren gab es noch kein Web, aber in SGML codierte Texte konnten wesentlich einfacher ins Web gestellt werden als etwa Word-Dateien.

• Unabhängig von dem Anwendungsprogramm

  Man kann SGML/XML-codierte Texte recht einfach in Formate für verschiedene Anwendungsprogramme übersetzen, und die Texte auch für andere Zwecke verwenden als nur zum Ausdrucken. Word-Dateien kann man dagegen nur mit Word verwenden. Unabhängigkeit geschieht häufig durch eine gewisse Indirektion. Zum Beispiel wird bei Datenbanken die physische Datenunabhängigkeit durch die Trennung von konzeptionellem und internem Schema erreicht. So ist auch verständlich, daß bei XML die Konvertierung in andere Formate relativ wichtig ist.

XML als universelles Daten-Austauschformat

• Für relationale Datenbanken gibt es bisher kein allgemein akzeptiertes Austausch-Format.

  Ein Student von mir hatte eine Datenbank als SQL Server Version 6 Datei bekommen, und konnte sie nicht in SQL Server Version 7 laden. Das Oracle Export/Import-Format ist Oracle-spezifisch, und kann nur zum Datenaustausch zwischen Oracle Datenbanken eingesetzt werden. Personal Oracle kommt mit einem Konvertierungsprogramm, das den Import von Daten in Microsoft Access Datenbanken erlaubt, aber die umgekehrte Konvertierung wird von Oracle natürlich nicht unterstützt.

• Microsoft Word kommt mit einer Unmenge von Konvertierungsprogrammen für die Formate anderer Textverarbeitungs-Programme.
• Es wäre viel einfacher, wenn jedes Programm den Export und Import von Daten im XML-Format unterstützen würde.

  Mit einem Standard-Austauschformat benötigt man für n verschiedene interne Formate nur 2*n Konvertierungsprogramme. Ansonsten benötigt man n*(n-1) Programme, um von jedem Format direkt in jedes andere konvertieren zu können.

• Zwar ist XML alleine schon eine Hilfe (weil es viele XML-zu-XML Transformations-Programme gibt, z.B. XSLT-Implementierungen), aber ein vollständige Lösung erfordert auch die Normung der ``Tags''.

  Es gibt zur Zeit viele Bestrebungen, ``Document Type Definitions'' (oder ``Schemas'') für verschiedene Anwendungsbereiche zu entwickeln und zu standardisieren. Es gibt schon einige DTD-Sammlungen im Web: [http://www.dtd.com/], [http://www.xmltree.com], [http://www.biztalk.org], [http://xml.org] Auch für Datenbank-Entwurf interessant: DTDs sind Datenbank-Schemata.

• Auch früher haben große Unternehmen Daten schon elektronisch ausgetauscht. Solche EDI-Systeme (``Electronic Data Interchange'') waren allerdings sehr teuer und damit für kleine bis mittlere Unternehmen nicht geeignet. Mit XML reicht im Extremfall ein Web-Browser und ein Texteditor aus, um an einem solchen Datenaustausch teilnehmen zu können.
• Es wird häufig gesagt, daß die Hauptbedeutung von XML im Datenaustausch liegt.

  Die Unternehmen werden ihre Daten wahrscheinlich weiter in relationalen Datenbanken halten, und nicht auf spezielle XML-Datenbanken umsteigen, die zur Zeit in Entwicklung sind. Aber der Datenaustausch zwischen Unternehmen, also ``Business-to-Business (B2B) E-Commerce'' wird in XML abgewickelt werden.

XML als Syntax-Analyse-Werkzeug

• Bei der Programmierung muß man häufig kleine Sprachen entwerfen und implementieren.

  Wenn man z.B. ein Programm für Multiple-Choice Tests entwickelt, muß man sich darüber Gedanken machen, wie man die Fragen und möglichen Antworten abspeichern will. Ich habe früher viele Textadventurespiele gespielt, und wollte natürlich auch selbst eines schreiben. Dafür ist auch das wesentliche die Datensammlung mit den Beschreibungen der Orte oder Räume und der Gegenstände, sowie auch den Regeln, was bei einem Kommando geschieht.

• BibTeX ist ein Programm, das zur Verwaltung von Literatursammlungen dient, und hat auch sein eigenes Format für die Daten.

  Natürlich kann man alle solche Daten auch in einer relationalen Datenbank abspeichern. An dem BibTeX Beispiel kann ich aber sagen, daß für mich die Verwendung eines Texteditors viel leichter war, als spezielle Bildschirmmasken für eine relationale Datenbank, die wir auch hatten. Das würde sich wahrscheinlich ändern, wenn meine Literatursammlung wesentlich größer wäre.

• Man kann bei solchen Gelegenheiten immer sein eigenes Datenformat definieren. Aber wenn man es als Anwendung von XML auslegt, hat man gleich Zugriff auf eine große Anzahl von XML-Werkzeugen, wie etwa Parser (zur Syntaxanalyse), Syntax-gestützte Editoren, Abfrage- und Transformations-Werkzeuge, und natürlich Werkzeuge zur ansprechenden Darstellung der Daten auf verschiedenen Ausgabemedien, inklusive der Darstellung im Web.

Schwächen/Probleme von HTML

• HTML hat viele Bestandteile, die nur die Darstellung des Textes im Browser betreffen (etwa Schriftart-Angaben wie <B>), und relativ wenige Inhalts-orientierte ``Tags''.

  Wie soll z.B. <CENTER> in einer Sprachausgabe dargestellt werden? Und wie soll <BLINK> ausgedruckt werden?

• HTML ist nur eine einzige Anwendung von SGML, d.h. ein fester Satz von ``Tags''.

  Dies kann natürlich nicht Inhalts-orientiertes Markup für beliebige Anwendungen erlauben. Die möglichen Anwendungen sind einfach zu verschieden. HTML hat einige inhaltliche Tags wie etwa <ADDRESS>, <TITLE> und <KBD>, auch die verschiedenen Überschriften, Paragraphen usw. können so verstanden werden. Aber Dinge wie <PRODUCT> und <PRICE>, die im heutigen Web durchaus häufiger vorkommen, fehlen. Es ist einfach nicht möglich, mit einem festen Satz von Tags beliebige Anwendungen zu unterstützen. Man gelangt dann zu einem kleinsten-gemeinsamen Nenner von Tags (z.B. sollte jedes Dokument einen Titel haben). Die einzige gemeinsame Funktion aller Arten von Dokumenten ist das Ausdrucken, daher führt der feste Satz von Tags auch zu stärker darstellungs-orientiertem Markup.

• HTML hat eine sehr lockere DTD (Grammatik), die nur wenig Struktur vorschreibt. Bekannte Struktur ist für die Weiterverarbeitung aber sehr nützlich.

  Je mehr man über die Struktur weiß, umso komplexere Anfragen sind möglich. Wenn ein Dokument nur eine Folge von Zeichen ist, kann man nur nach Teilstrings suchen. Relationale Datenbanken sind stark strukturiert, und entsprechend ist SQL auch eine viel mächtigere Sprache.

• Aber selbst die wenigen Syntax-Regeln, die HTML vorschreibt, werden sehr häufig verletzt, und Browser zeigen den Text normalerweise dennoch ohne Fehlermeldung dar.

  Eine frühe Version von Netscape soll, falls ein Dokument zwei <TITLE>-Elemente enthielt, diese im Wechsel blinkend angezeigt haben. Der Erfolg war, daß Programmierer dieses Verhalten ausnutzten, um einen solchen Effekt zu erzielen.

  Die Weiterverarbeitung (etwa mit Stylesheets) wird komplex und unzuverlässig, wenn man nicht voraussetzen kann, daß sich die Eingabe an die Syntaxregeln hält.

SGML, HTML, und XML (Historisches)

• 1969 entwickelten Goldfarb, Mosher und Lorie die Generalized Markup Language (GML) bei IBM (in einem Projekt zur Verwaltung juristischer Dokumente).
• 1974 entwickelte Goldfarb ein Programm zur Syntaxanalyse, das eine DTD (Document Type Definition, Grammatik) einliest und dann ein Dokument auf syntaktische Korrektheit bezüglich dieser DTD prüft.

  Vorher war es offenbar so, daß die Syntaxanalyse in die speziellen Verarbeitungsprogramme für gegebene Dokument-Typen eingebaut war. Goldfarb sagt im XML Handbook ``At that point SGML was born - although it still had a lot of growing up to do.''

• 1978-1986 war Goldfarb technischer Leiter eines Komitees, das den ISO-Standard 8879 für SGML entwickelte.

  Später hat das Komitee auch die Standards HyTime (``Hypermedia/Time-based Structuring Language'') für Hyperlinks und DSSSL (``Document Style Semantics and Specification Language'') für Stylesheets entwickelt.

• SGML wurde auch ein de facto Standard zum Austausch großer, komplexer Dokumente, z.B. Wartungsunterlagen für Flugzeuge oder Test-Unterlagen zur Zulassung neuer Medikamente.

  Das US Department of Defense startete 1985 eine Serie von Standards, die ein auf SGML basierendes Format für technische Dokumentation verlangen (CALS: ``Computer-Aided Logistic Support'', ``Continuous Acquisition and Life-cycle Support'').

• 1989 hat Tim Berners-Lee beim CERN (einem europäischen Kernforschungslabor in Genf) ein Projekt vorgeschlagen, das die Grundlage des World Wide Web bildete.

  Sein Kollege Anders Berglund hat ihn auf SGML hingewiesen, aber sie entwickelten die Hypertext Markup Language (HTML) zunächst nur anhand von Beispielen. Als schließlich eine formale DTD für HTML definiert wurde, gab es schon Tausende von inkorrekten HTML-Dokumenten. DTD für HTML 4.01: [http://www.w3.org/TR/REC-html40/sgml/dtd.html] [http://www.w3.org/TR/REC-html40/strict.dtd] DTD für HTML 3.2: [http://www.w3.org/TR/REC-html32#dtd] Syntaxprüfer für HTML: [http://validator.w3.org/].

• Die erste HTML-Version hatte überwiegend inhalts-orientierte Tags. Später wurden von den Browser-Herstellern mehr darstellungs-orientierte Tags hinzugefügt.

  Durch solche Erweiterungen sollten die Anwender an einen bestimmten Browser gebunden werden.

• Als das Web erfolgreich war, und die Web-Seiten nicht nur in Browsern angezeigt wurden, sondern teils auch von Computer-Programmen verarbeitet wurden (z.B. Suchmaschinen oder Preisvergleichs-Diensten), kam der Wunsch auf, das ganze SGML zu verwenden, und nicht nur eine spezielle SGML-Anwendung.

  Momentan müssen z.B. Preisvergleichs-Dienste kleine Programme für jede Datenquelle im Web schreiben (sogenannte ``Wrapper''), die die relevanten Daten aus den Web-Seiten extrahieren. Das Problem ist, daß für jede Datenquelle ein eigenes Programm erforderlich ist, und dieses Programm nur so lange funktioniert, wie das Format der Web-Seite nicht geändert wird. Viele Firmen ``verbessern'' ihre Repräsentation im Web aber relativ häufig.

• Die Implementierung von SGML war den Browser-Herstellern aber zu kompliziert. Nach langen Verhandlungen einigte man sich auf eine (leicht modifizierte) SGML-Teilmenge, die XML (eXtensible Markup Language) genannt wurde. Die W3C Arbeitsgruppe zur Definition von XML wurde von Jon Bosak (SUN Microsystems) gegründet und geleitet.
• Am 10. Februar 1998 wurde die XML 1.0 Empfehlung veröffentlicht: [http://www.w3.org/TR/REC-xml]

  Während XML 1.0 heute stabil ist, sind viele der darauf aufbauenden Standards, z.B. für Stylesheets, noch in Entwicklung. Bücher, die 1998 or 1999 erschienen sind, weisen darauf hin, daß ihre Darstellung von XSL nur auf Vor-Informationen basiert, und die entgültige XSL Norm sich davon recht deutlich unterscheiden kann. Der Implementierung von XSLT im Internet Explorer 5 merkt man manchmal auch an, daß sie sich noch auf einen Vorentwurf bezieht (und mit der schließlich endgültig verabschiedeten XSLT-Spezifikation nicht genau übereinstimmt).

Unterschiede von XML und HTML (Einschränkungen gegenüber SGML)

• XML erlaubt nicht, rekonstruierbare Tags wegzulassen.

  Zum Beispiel benutzt man in HTML häufig <BR> und <LI> ohne schließendes Tag. Während SGML noch häufig mit normalen ASCII-Editoren erstellt wurde, wird XML typischerweise von Programmen oder speziellen XML-Editoren erstellt. Da ist die Einsparung von Tastendrücken nicht mehr wichtig. Auch spielen einige Bytes mehr Speicherplatz keine Rolle mehr. Tags sind unter anderem auch deswegen nicht optional, weil XML eine DTD (Grammatik) nicht zwingend erfordert. Dann kann man natürlich nicht mehr die korrekte Verwendung einer gegebenen Menge von Tags prüfen, aber die Baumstruktur (korrekte Schachtelung der Tags) kann immerhin noch erzwungen werden (Wohlgeformtheit). Ohne Grammatik wären Tags aber nicht eindeutig rekonstruierbar.

• Weil es für Tags ohne Inhalt etwas umständlich wäre, immer erst das öffnende Tag und dann das schließende aufzuschreiben, wird hierfür in XML normalerweise eine abgekürzte Schreibweise verwendet, z.B. <BR/>.

  Dies ist aber in SGML mit einigen Klimmzügen erreichbar (SGML hat viele Parameter), siehe [http://www.w3.org/TR/NOTE-sgml-xml-971215]. Auch erlauben heutige HTML-Browser und Syntaxchecker diese Schreibweise. Sie ist also offenbar nicht wirklich neu, sondern wurde in HTML nur kaum verwendet.

• XML unterscheidet zwischen Groß- und Kleinschreibung in Tags (``case-sensitive'').
• Attributwerte müssen in XML in Anführungszeichen eingeschlossen werden.
• Während HTML im wesentlichen in SGML definiert werden kann (wobei für bestimmte Attributwerte wie URLs und Farbcodierungen noch zusätzliche Einschränkungen gefordert werden müssen), gilt das aus diesen Gründen für XML nicht mehr. XHTML [http://www.w3.org/TR/xhtml1/] ist aber eine Variante von HTML, die in XML definiert werden kann. Unter anderem fordert XHTML, daß jedes geöffnete Tag auch wieder geschlossen wird.
• SGML ist sehr stark parametrisierbar. Z.B. müssen Tags nicht unbedingt mit dem Zeichen ``<'' beginnen, sondern man kann das ``Start of Tag'' Zeichen selbst definieren. In XML wurden Werte für die meisten Parameter vorgeschrieben.

Auf XML basierende Standards (teils noch in Entwicklung)

• Namespaces [http://www.w3.org/TR/REC-xml-names/]
• DOM [http://www.w3.org/TR/REC-DOM-Level-1/]
• XPath [http://www.w3.org/TR/xpath]
• XSLT [http://www.w3.org/TR/xslt]
• XSL: Formatting Objects [http://www.w3.org/TR/xsl/]
• XPointer [http://www.w3.org/TR/xptr]
• XLink [http://www.w3.org/TR/xlink/]
• XML Query [http://www.w3.org/XML/Query]
• XML Schema [http://www.w3.org/XML/Schema]
• XHTML [http://www.w3.org/TR/xhtml1/]

© Stefan Brass (sbrass@sis.pitt.edu), 28. August 2000

Original URL: http://www.informatik.uni-giessen.de/staff/brass/xml00/c1_intro.xml