XML学习笔记
原创
概念
XML：（Extensible Markup Language）可扩展标记语言
可扩展：标签都是自定义的。
功能：存储数据，可做配置文件，或者在网络中传输
XML和HTML的区别（引用于https://www.cnblogs.com/jqant/p/9497838.html）
1. 在html中不区分大小写，在xml中严格区分。
2. 在HTML中，有时不严格，如果上下文清楚地显示出段落或者列表键在何处结尾，那么你可以省略</p>或者</li>之类的结束标记。在XML中，是严格的树状结构，绝对不能省略掉结束标记。
3. 在XML中，拥有单个标记而没有匹配的结束标记的元素必须用一个/ 字符作为结尾。这样分析器就知道不用查找结束标记了。
4. 在XML中，属性值必须分装在引号中。在HTML中，引号是可用可不用的。
5. 在HTML中，可以拥有不带值的属性名。在XML中，所有的属性都必须带有相应的值。
6. 在XML文档中，空白部分不会被解析器自动删除；但是html是过滤掉空格的。
语法
基本语法
1.xml后缀名为.xml
2.xml第一行必须定义为文档声明(例如：<?xml version='1.0' ?> <!--文档声明-->)，xml严格识别空格，第一行指绝对的第一行，否则无法解析。
3.xml文档中有且仅有一个根标签
4.属性值必须使用引号引起来
5.标签必须有结束标签
6.XML严格区分大小写
组成部分
1.文档声明
必须定义在第一行
格式<?xml 属性列表 ?>
属性列表：
version:版本号，必须属性
encoding：编码方式，告诉浏览器用什么编码解析，文本编辑器的编码格式应与encoding的解码格式相同，其中，高级的开发工具如eclipse或者idea等等，会自动修改文本编辑器的编码方式。
standalone:是否独立，指文件不依赖于其他的文件。standalone="yes" standalone="no"，主要用于约束，但是实际上现在很少使用了。
2.指令
可以使用CSS样式，用来展示数据（但是实际上现在XML很少用于展示数据）
<?xml-stylesheet type="text/css" href="a.css" ?>
加上了这条语句页面就会用于展示而浏览器不再显示XML的树状结构
3.标签
规则：
- 名称可以包含字母、数字以及其他的字符
- 名称不能以数字或者标点符号开始
- 名称不能以字母 xml（或者 XML、Xml 等等）开始
- 名称不能包含空格
4.属性
如果XML文档中的内容出现了一些特殊字符，需要转义
如
<code> if(a < b && a > c){do something} </code>
会直接报错，其中< >需要转义
<code>
if(a < b && a > c){do something}
</code>5.文本
CDATA区，在该区域的数据会被原样展示，无需转义
<code>
<![CDATA[
if(a < b && a > c){do something}
]]>
</code>XML约束
软件的用户编写软件读取的XML，以供软件解析。同时软件应提供XML的约束规定书写规则。
DTD（系统教学https://www.w3school.com.cn/dtd/dtd_intro.asp）
dtd好像无法约束实体的内容。。。
1.数据类型
- PCDATA
PCDATA 的意思是被解析的字符数据（parsed character data）。
可把字符数据想象为 XML 元素的开始标签与结束标签之间的文本。
- CDATA
CDATA 的意思是字符数据（character data）。
CDATA 是不会被解析器解析的文本。在这些文本中的标签不会被当作标记来对待，其中的实体也不会被展开。
PCDATA 是会被解析器解析的文本。这些文本将被解析器检查实体以及标记。
文本中的标签会被当作标记来处理，而实体会被展开。
不过，被解析的字符数据不应当包含任何 &、< 或者 > 字符；需要使用 &、< 以及 > 实体来分别替换它们。
2.内部的DTD声明
<?xml version="1.0"?>
<!DOCTYPE note [
<!ELEMENT note (to,from,heading,body)>
<!ELEMENT to (#PCDATA)>
<!ELEMENT from (#PCDATA)>
<!ELEMENT heading (#PCDATA)>
<!ELEMENT body (#PCDATA)>
]>
<note>
<to>George</to>
<from>John</from>
<heading>Reminder</heading>
<body>Don't forget the meeting!</body>
</note>3.外部的DTD引用
假如 DTD 位于 XML 源文件的外部，那么它应通过下面的语法被封装在一个 DOCTYPE 定义中：
<!DOCTYPE 根元素 SYSTEM "文件名">这个 XML 文档和上面的 XML 文档相同，但是拥有一个外部的 DTD:
<?xml version="1.0"?>
<!DOCTYPE note SYSTEM "note.dtd">
<note>
<to>George</to>
<from>John</from>
<heading>Reminder</heading>
<body>Don't forget the meeting!</body>
</note> 这是包含 DTD 的 "note.dtd" 文件：
<!ELEMENT note (to,from,heading,body)>
<!ELEMENT to (#PCDATA)>
<!ELEMENT from (#PCDATA)>
<!ELEMENT heading (#PCDATA)>
<!ELEMENT body (#PCDATA)>schema(系统教学https://www.w3school.com.cn/schema/index.asp)
schema的作用
- 定义可出现在文档中的元素
- 定义可出现在文档中的属性
- 定义哪个元素是子元素
- 定义子元素的次序
- 定义子元素的数目
- 定义元素是否为空，或者是否可包含文本
- 定义元素和属性的数据类型
- 定义元素和属性的默认值以及固定值
schema相对dtd的优势
- XML Schema 可针对未来的需求进行扩展
- XML Schema 更完善，功能更强大
- XML Schema 基于 XML 编写
- XML Schema 支持数据类型
- XML Schema 支持命名空间
schema元素有类型区分
最常用的类型是：
- xs:string
- xs:decimal
- xs:integer
- xs:boolean
- xs:date
- xs:time
对元素的限定方法可通过比较区间进行限定
<xs:simpleType>
<xs:restriction base="xs:integer">
<xs:minInclusive value="0"/>
<xs:maxInclusive value="120"/>
</xs:restriction>
</xs:simpleType>也可以通过枚举进行限定
<xs:element name="car">
<xs:simpleType>
<xs:restriction base="xs:string">
<xs:enumeration value="Audi"/>
<xs:enumeration value="Golf"/>
<xs:enumeration value="BMW"/>
</xs:restriction>
</xs:simpleType>
</xs:element> 通过正则限定
<xs:element name="letter">
<xs:simpleType>
<xs:restriction base="xs:string">
<xs:pattern value="[a-z]"/>
</xs:restriction>
</xs:simpleType>
</xs:element> 示例代码
XML
<?xml version='1.0' encoding="GBK" ?>
<users xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:noNamespaceSchemaLocation="xsdtest.xsd">
<user id="1">
<name>张三</name>
<age>23</age>
<gender>male</gender>
<code>
<![CDATA[
if(a < b && a > c){do something}
]]>
</code>
</user>
<user id="2">
<name>LiSi</name>
<age>24</age>
<gender>famale</gender>
</user>
</users>DTD
<?xml version="1.0" encoding="gbk" ?>
<xs:schema xmlns:xs="http://www.w3.org/2001/XMLSchema">
<xs:element name="users">
<xs:complexType>
<xs:sequence>
<xs:element name="user" type="xs:complexType" maxOccurs="unbounded"></xs:element>
</xs:sequence>
</xs:complexType>
</xs:element>
<xs:element name="user">
<xs:complexType mixed="true">
<xs:sequence>
<xs:element name="name" type="xs:string"></xs:element>
<xs:element name="age" type="xs:string"></xs:element>
<xs:element name="gender" type="xs:string"></xs:element>
<xs:element name="code" type="xs:string"></xs:element>
</xs:sequence>
<xs:attribute name="id" type="xs:integer" default="0"/>
</xs:complexType>
</xs:element>
<xs:attribute name="id" type="xs:integer"/>
</xs:schema>额外注意，attribute的内容必须放置在最后，否则报错。
XML的解析
解析XML的方式：
1.DOM:
将标记语言文档一次性加载进入内存，在内存中会形成一颗DOM树
优点是操作方便，可以对文档进行C(reate)R(etrieve)U(pdate)D(elete)的所有操作
缺点是占用内存较多。
2.SAX:
逐行读取，基于事件驱动
优点是及时释放内存资源
缺点是不能CRUD
XML的常见解析器：
- JAXP:SUN公司提供的解析器，支持DOM和SAX
- DOM4J:一款优秀的解析器，基于DOM实现
- Jsoup:是一款JAVA的HTML解析器，可直接解析URL地址，HTML文本内容
- PULL:Android操作系统内置的解析器，基于sax
Jsoup的学习https://jsoup.org/download
步骤：
1：导入jar包
2：获取document对象
3：获取对应的标签element对象
4：获取数据
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;
import java.io.File;
import java.io.IOException;
public class jsoupDemo {
public static void main(String[] args) throws IOException {
//获取document对象，根据xml文档获取
//获取XML的path
String path = jsoupDemo.class.getClassLoader().getResource("users.xml").getPath();
//加载文档进内存，并获取DOM树
Document document = Jsoup.parse(new File(path),"utf-8");
//获取元素对象
Elements elements = document.getElementsByTag("name");
System.out.println(elements.size());
//获取第一个element元素
Element element = elements.get(0);
System.out.println(element.text());
}
}jsoup的常见对象：
1.Jsoup:工具类，可以解析HTML或者XML，返回Document对象
- parse:解析HTML或者XML，返回Document对象。其中有3个重载方法，解析文件，解析字符串，解析URL，写爬虫的时候比较方便
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import java.io.IOException;
import java.net.URL;
public class jsoupDemo {
public static void main(String[] args) throws IOException {
//获取document对象，根据xml文档获取
//获取XML的path
String path = jsoupDemo.class.getClassLoader().getResource("users.xml").getPath();
Document document = Jsoup.parse(new URL(new String("http://www.baidu.com")),2000);
System.out.println(document);
}
}2.Document:文档对象，内存中的DOM树
- getElementById:根据Id的值获取唯一的element对象
- getElementByTag:根据标签名称获取元素对象集合
- getElementByAttribute:根据属性名称获取元素对象集合
- getElementByAttributeValue:根据属性的值获取元素对象的集合
- ......
3.Elements:Element对象的集合，类似于ArrayList<Element>
- 获取属性值，attr(String attrName)属性名称不区分大小写
- 获取文本内容，String text()
- 获取标签体在内的所有内容，String html()
4.Element:元素对象
5.Node：节点对象
- 是Document和Element的父类
快捷查询
1.selector:
使用的方法：Elements select(String cssQuery)
2.Xpath：
https://www.w3school.com.cn/xpath/xpath_syntax.asp
Xpath为XML路径语言
使用Jsoup的Xpath需要额外导入jar包
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。
原创声明：本文系作者授权腾讯云开发者社区发表，未经许可，不得转载。
如有侵权，请联系 cloudcommunity@tencent.com 删除。