Nota sulle specifiche di riferimento

1 CENNI STORICI

1.1 Linguaggi di markup

\begin{document}

1. HyperText Markup Language (HTML), linguaggio con cui sono scritte le pagine Web:

<TITLE>Prova</TITLE>

<P><B>A: </B>Alessandro</P>

<P><B>Da: </B>Luca </P>

<P><B>CC: </B>Ezio</P>

<P><B>Titolo: </B><I>Prova</I></P>

<P>Questo &egrave; un esempio di e-mail, che serve a

mostrare le differenze fra i linguaggi di markup.</P>

Le differenze sono molto evidenti e, ovviamente, si ripercuotono in difficoltà di conversione tra un formato e l’altro.

Il problema dell’incompatibilità tra formati era già sentito negli anni ’60 ed ha portato alla definizione di SGML (Standard Generalized Markup Language) ad opera di Charles Goldfarb. Da SGML sono stati inoltre sviluppati sia HTML, sia XML, linguaggio, quest’ultimo, che dovrebbe diventare il formato universale di scambio di dati su Web, affiancandosi all’HTML e superandone i limiti [2].

Nella tabella che segue, riassumiamo l’evoluzione di SGML e delle sue prime applicazioni [4]:

Nel 1989, un ricercatore del CERN di Ginevra, Tim Barners Lee, presentò ai dirigenti del laboratorio una relazione intitolata "Information Management: a proposal" [7]. Lo scopo di Barners Lee era di sviluppare un sistema di pubblicazione e reperimento dell'informazione distribuito su una rete geografica, in grado di tenere in contatto la comunità mondiale dei fisici.

Un collega di Barners Lee, Anders Berglund, uno dei primi sostenitori di SGML, gli consigliò di utilizzare una sintassi simile a quella di SGML [1]. Essi partirono da una semplice definizione di tipo di documento (DTD) SGML, contenuta in un manuale IBM scritto nel 1978 da Goldfarb. Nacque così l'HyperText Markup Language (HTML), sul quale Barners Lee costruì il proprio sistema ipertestuale, che chiamò World Wide Web (WWW).

Tim Barners Lee, attuale direttore del W3 Consortium

La DTD è di fondamentale importanza sia per SGML, che per XML, in quanto fornisce la descrizione formale della struttura di un documento. Il concetto di DTD sarà trattato esplicitamente nel capitolo 4.

Si noti che la DTD di HTML fu definita formalmente solo tra il 1992 e il 1993 da Dan Connolly, con il nome di "HTML 1.0". Quando arrivò questa prima DTD, esistevano già nel Web migliaia di pagine contenenti codice HTML non conforme ad essa.

In confronto allo sviluppo di SGML, che aveva richiesto quasi vent'anni, la realizzazione di HTML richiese pochissimo tempo, grazie alla sua semplicità. E fu sicuramente tale semplicità la causa fondamentale dello strepitoso successo di HTML e, con esso, del Web, divenuto in pochi anni il sistema informativo più completo, sebbene caotico, che sia mai esistito.

In questa tabella sono riassunti le principali tappe dell'evoluzione di HTML [9]:

Lo sviluppo di HTML è stato portato avanti dal 1994 dall'IETF working group (IETF è l'acronimo di Internet Engineering Task Force), che si è poi rivelato insufficiente per la mole di lavoro necessaria, ed è stato assorbito alla fine del 1996 dal W3 Consortium [8].

Grazie all’esplosione in tutto il mondo della popolarità del Web, molti utilizzatori di HTML si sono resi conto dei numerosi limiti di cui soffre:

limiti che verranno discussi in dettaglio nel prossimo capitolo. Con il passare degli anni (e delle versioni di HTML), gli esperti di SGML pensarono di poter utilizzare il loro linguaggio per la pubblicazione di documenti su Web [10]. Infatti HTML è una semplice applicazione di SGML.

Ma gli stessi esperti, in seguito, stabilirono che introdurre direttamente SGML su Web avrebbe comportato dei notevoli problemi [11]:

I più noti browser SGML sono Panorama SGML e MultidocPro, sviluppati rispettivamente dalle software house Interleaf e Citec.

Nell'estate del 1996, Jon Bosak, attualmente a capo del settore informativo della Sun Microsystem, convinse il W3C a formare un gruppo di lavoro sull'uso di SGML sul Web [10]. Egli fu il presidente di questo comitato, chiamato inizialmente "SGML Editorial Review Board" e scelse personalmente i migliori specialisti di SGML.

Nell'agosto del 1996 si svolse una conferenza sull'implementazione di SGML nel Web [12]. I risultati della discussione furono due:

1. la necessità di introdurre SGML sul Web, dato che per alcune applicazioni HTML si rivelava ormai inadeguato e che SGML sarebbe stato in grado di portare delle informazioni strutturate sul Web;
2. una radicale revisione di SGML per avvicinarlo ad un pubblico più vasto. Gli esperti stabilirono una lista di elementi non essenziali di SGML, che andavano modificati o eliminati completamente.

Già nel novembre del 1996, il gruppo di lavoro del W3C creò una forma semplificata di SGML, comprendente le caratteristiche già ampiamente sperimentate di SGML con una complessità ridotta [10]. Questo linguaggio fu chiamato XML (eXtensible Markup Language), proprio per enfatizzare la principale differenza con HTML, che è un linguaggio di markup con dei tag definiti e non modificabili.

La nascita "ufficiale" di XML risale al marzo del 1997, quando Jon Bosak pubblicò il suo "manifesto": un articolo intitolato "XML, Java e il futuro del Web" [15]. Il gruppo di lavoro da lui diretto stabilì che la composizione delle specifiche di XML si sarebbe svolta in tre fasi:

1. definizione della sintassi di XML;
2. definizione della semantica dei collegamenti ipertestuali, tramite l'implementazione di un apposito linguaggio, chiamato XLL (eXtensible Linking Language);
3. definizione della presentazione di XML, anch'essa affidata ad un apposito linguaggio: XSL (eXtensible Stylesheet Language).

Si noti che XLL ed XSL furono concepiti come dei particolari linguaggi derivati da XML, con le proprie DTD. La situazione dello sviluppo di questi linguaggi è la seguente:

1. Lo standard XML 1.0 è stato approvato dal W3C il 18 febbraio 1998 [12].
2. Il linguaggio XLL è stato diviso in 2 parti, chiamate XLink ed XPointer. Le ultime bozze di lavoro rilasciate risalgono al 26 luglio 1999 per XLink [39] e al 9 luglio 1999 per XPointer [43].
3. Il W3C ha rilasciato la terza bozza di lavoro di XSL il 21 aprile 1999 [13]. Da XSL sono nati altri due linguaggi, chiamati XSLT ed XPath. Per entrambi le ultime bozze di lavoro risalgono al 13 agosto 1999.

Per quanto riguarda XSL, la standardizzazione si può ritenere abbastanza vicina, basti pensare che XSL, insieme ad XML, è parzialmente supportato da Explorer 5, il nuovo browser della Microsoft rilasciato nel marzo 1999. Viceversa, la situazione sui collegamenti è in costante mutamento e si può affermare che il modo esatto in cui i collegamenti dovrebbero essere implementati nell'XML è ancora in fase di discussione [5].

Per quanto si è visto finora, sembra che lo sviluppo di XML riguardi esclusivamente il W3C. Viceversa, il gruppo di lavoro per la standardizzazione di XML è formato dai rappresentanti di numerose importanti organizzazioni, ciascuna delle quali ha un forte interesse nel produrre ed utilizzare strumenti basati su XML [6]. Le più famose tra esse sono:

1. Adobe,
2. Fuji Xerox,
3. Hewlett-Packard,
4. Microsoft,
5. NCSA,
6. Netscape,
7. SoftQuad,
8. Sun Microsystems,
9. Università dell’Illinois,
10. W3C.

Al termine di questa introduzione storica su XML è essenziale ribadire la distinzione fra SGML, HTML ed XML [10]:

HTML non permette agli utenti di specificare dei propri tag o attributi nei documenti, allo scopo di personalizzarli o di introdurvi una propria semantica [15].

Per capire che cosa siano precisamente tag ed attributi in HTML, mostriamo un semplicissimo esempio:

il cui risultato è:

Titolo Principale

Il tag nel nostro caso è <h1>, che significa intestazione (header) di tipo 1, cioè di massima importanza. L'attributo è align, con valore center ed indica al browser che il testo etichettato dal tag va allineato centralmente. Il testo associato al tag è semplicemente la stringa "Titolo Principale" contenuta tra il tag di apertura <h1> e il tag di chiusura </h1>.

Se avessimo bisogno di un titolo con un carattere ancora più grande? Il tag <h0> non è previsto e noi non abbiamo la possiblità di definirlo. Naturalmente è possibile ottenere caratteri più grandi di quelli appena visti, ma bisogna utilizzare degli altri tag previsti dal linguaggio HTML, oppure dei fogli di stile, introdotti da HTML 4.0, che ci consentono di ridefinire la visualizzazione (ma solo quella) associata ai tag.

HTML 4.0 supporta il linguaggio CSS (Cascading Style Sheet) per i fogli di stile [5]. Questo linguaggio consente di definire la visualizzazione del contenuto dei vari tag di HTML senza utilizzare nuovi tag o attributi, ma associando delle norme di stile a ciascun tag. I fogli di stile possono essere sia contenuti all’interno del tag <STYLE> del documento HTML, che posti in file esterni.

Vediamo come si riesce a modificare la visualizzazione del tag <h1> per mezzo di alcune semplici norme di stile:

Il risultato che si ottiene è ben diverso da quanto visto nel paragrafo precedente:

HTML è un linguaggio chiuso e non modificabile. L'autore di un documento può soltanto scegliere tra un insieme prefissato di elementi, anche se la struttura del suo documento richiederebbe di esplicitarne altri, o di qualificarli in modo diverso [11].

Il W3C è l'unico ente che è in grado di aggiungere nuovi elementi ad HTML e, come abbiamo visto nel § 1.2.3, lo ha fatto diverse volte, portando HTML alla versione 4.01. In realtà, negli anni precedenti erano stati i produttori dei browser, Microsoft e Netscape, a sostituirsi al W3C, aggiungendo arbitrariamente vari elementi ad HTML e creando le cosiddette "estensioni non ufficiali" di HTML, che hanno messo in serio pericolo la standardizzazione dei documenti Web [7]. Queste estensioni non standardizzate del linguaggio hanno causato seri problemi come:

Il W3C ha cercato di porre rimedio a questa situazione inserendo i fogli di stile, una tecnica introdotta proprio da SGML e utilizzata, ovviamente, anche in XML [1].

Infine la struttura rigida e non estensibile di HTML si rivela un problema per le grandi industrie, che sono state costrette a:

1. creare standard differenti per ogni applicazione diversa;
2. utilizzare dei software particolari per elaborare i dati e trasferirli sul Web [17].

HTML fu creato come un linguaggio di descrizione del documento, che consentisse agli utenti di condividere le informazioni su sistemi differenti [5]. Il presupposto di HTML era che quelle informazioni fossero testo con in più alcune immagini e collegamenti ipertestuali. Attualmente, invece, nel Web si trova di tutto:

ed altro ancora. Un linguaggio nato sostanzialmente per la pubblicazione di documenti semplici si trovava a dover assicurare potenzialità impensabili al momento della sua nascita e così, non potendo, lasciava il campo allo sviluppo di tecnologie parallele che potessero assicurare la sua sopravvivenza e il supporto per i nuovi contenuti del Web [7].

Tra nuovi linguaggi tipo Javascript e plug-in tipo Shockwave o Acrobat reader, in pratica HTML è diventato pian piano un assemblatore di tecnologie piuttosto che un linguaggio vero e proprio e questo ha comportato anche problemi di portabilità delle applicazioni Web, poiché tutte queste nuove tecnologie non sono standard, bensì soluzioni proprietarie più o meno diffuse che necessitano per essere utilizzate di software specifici o di particolari versioni di esso. Tutto ciò è lontanissimo dalla filosofia iniziale ma anche dalla tendenza, tipica dell'informatica distribuita che in questo periodo si sta affermando, a costruire ambienti standard in grado di permettere lo sviluppo di applicazioni portabili a prescindere dall’hardware o dal sistema operativo.

HTML non è mai stato progettato per il controllo della formattazione e quindi manca dei meccanismi adatti: esso dovrebbe semplicemente fornire una descrizione del documento, dando così solo delle indicazioni generiche sulla formattazione, che resterebbe compito del browser, o del programma che deve visualizzare il file [5]. I tag aggiunti nel corso degli anni, specialmente quelli delle estensioni non ufficiali, erano dei veri e propri tag di formattazione. Ad esempio, nell’HTML originale esiste il tag <STRONG>, che significa "molto evidenziato" [16]. Il testo in esso racchiuso viene in genere visualizzato in neretto, ma è un tag che dà indicazioni sull’importanza del suo contenuto, senza entrare esplicitamente nel merito della formattazione. Successivamente è stato introdotto il tag <B> (Bold = Neretto), il cui significato è evidentemente limitato rispetto al precedente. Alcuni di questi hanno avuto origine come tag proprietari di uno dei due principali produttori di browser (Microsoft e Netscape) e la loro diffusione nelle pagine Web è stata tale da "costringere" il consorzio W3 ad approvarli nelle successive versioni di HTML.

Il W3C si rese conto che l’introduzione di una moltitudine di nuovi tag che rispondessero ad ogni possibile esigenza di formattazione era irreale e incoerente con i principi di HTML. Il primo vero strumento di formattazione per HTML è stato introdotto solo con la versione 4.0 ed è costituito dai fogli di stile, per i quali sono stati definiti due linguaggi specifici: CSS1 e CSS2. I fogli di stile sono separati dal codice HTML, così come gli script, e riescono ad ottenere la distinzione tra forma e struttura del documento. I linguaggi CSS1 e CSS2 sono molto semplici e sono adattabili anche all’XML, ma sono molto meno potenti di XSL, ideato appositamente per XML.

In conclusione, bisogna notare che finora i browser Web sono stati le principali piattaforme di sviluppo per il linguaggio Java. Per un’interazione migliore con Java, sarebbe opportuno un linguaggio più sofisticato e più orientato al trattamento dei dati di HTML, limitato alla descrizione dei testi [12].

È difficile scrivere del codice HTML che mostri gli stessi dati in modi differenti, a seconda delle esigenze dell’utente [10]. È ancora più difficile realizzare delle viste personalizzate di dati diversi dal testo, come ad esempio i risultati dell’interrogazione di una base di dati. Non è un caso che per la creazione di siti dinamici e in grado di interagire con dati, come per esempio un catalogo che permette ordinazioni, sia necessario l'uso di tecnologie esterne alle specifiche HTML, come le CGI, Javascript o addirittura Java [7].

Una possibile soluzione di questi problemi è nell’HTML dinamico (DHTML). DHTML non è un linguaggio di markup come HTML, ma semplicemente un insieme di regole che permettono di usare i fogli di stile e un linguaggio di script al fine di modificare l'aspetto ed il contenuto di una pagina Web al verificarsi di un dato evento (ad esempio il click o lo spostamento del mouse, o il trascorrere di un periodo di tempo) [11]. DHTML, però, ha dei notevoli difetti:

L’avvento di XML dovrebbe superare definitivamente questa ennesima estensione di HTML. Del resto è già possibile associare ad un solo documento HTML diversi fogli di stile, per adattare un unico contenuto a diversi tipi di presentazione, come quelle ottenute con:

È bene ricordare che la tecnologia dei fogli di stile viene da SGML ed è implementata anche in XML.

La maggior parte delle applicazioni Web trarrebbe beneficio dalla possibilità di catalogare i dati in base al loro significato, piuttosto che in modo descrittivo, come fa HTML [10]. Ad esempio, noi sappiamo che:

si presenterà in un certo modo in un browser, ma non sappiamo se Apple sia un frutto, l’azienda produttrice di computer, un cognome o qualcos’altro [12].

Una possibilità per specificare la semantica di un documento è data dal tag <META>, il quale [10]:

In questo modo, si perdono molte delle potenzialità dei motori di ricerca, costretti ad esaminare tutto il testo a parità di importanza, proprio nel momento in cui la mole dei documenti in rete diventa tale da richiedere un meccanismo più puntuale [7]. Purtroppo però l’assenza di tag semantici non permette questa possibilità e obbliga a ricerche che spesso restituiscono migliaia di documenti senza dire nulla del significato del termine invocato.

HTML non ha alcun modo di specificare che cosa significhi una certa stringa o un certo dato nella pagina Web [10]. Non solo: HTML non ha alcuno strumento di analisi di validità di un documento, cosa di fondamentale importanza per importare ed utilizzare un documento in altre applicazioni. Quest’esigenza, imprevedibile alla creazione del Web, è diventata di estrema necessità a causa delle nuove applicazioni che si servono di Internet, come ad esempio il commercio elettronico [15]. Viceversa XML:

1. associa a tutti gli elementi un significato esplicito;
2. consente un controllo formale del documento, attraverso il confronto con la sua DTD;
3. permette di ottenere molteplici visualizzazioni delle informazioni grazie all’XSL.

Molte organizzazioni pubblicano le stesse informazioni in diversi formati [14]. Accade di frequente, infatti, che esistano almeno due versioni di uno stesso documento:

1. per la stampa e la lettura su carta;
2. per la presentazione su Web;

basti pensare ai numerosi giornali che offrono una loro versione elettronica su Web. Solitamente la versione originale dei documenti viene scritta con un software specifico, ad esempio un word processor, e la traduzione in HTML viene effettuata automaticamente da opportuni programmi [10]. Purtoppo queste conversioni non sono sempre perfette e richiedono delle correzioni da effettuare manualmente, come è noto a chi ha provato l'opzione "salva come HTML" di Word. Ciò significa che al cambiare del documento originario bisogna ripetere tali aggiustamenti, con conseguente dispendio di energia e di tempo [14]. D’altra parte queste aziende non hanno alcun interesse a produrre documenti direttamente in HTML, poiché la pubblicazione su Web non è la loro attività principale.

La causa di questi problemi è nella scarsa flessibilità di HTML, che offre molti meno strumenti rispetto ai moderni word processor e ai programmi professionali per l’editoria, come Adobe Acrobat. Alcuni siti evitano il problema a priori lasciando sul Web i documenti in formato Acrobat e costringendo gli utenti ad avere l'apposito lettore.

XML è la soluzione ideale per questi problemi. Esistono delle potenti applicazioni per l'editoria elettronica basate su SGML che possono essere utilizzate senza difficoltà per XML, tra le quali citiamo FrameMaker, realizzato proprio dalla Adobe, l’azienda produttrice di Acrobat [1].

HTML, attraverso il tag <A> (ancora), assicura la possibilità di saltare da un punto ad un altro del documento o dell’intero Web [7]. Questo elemento, però, utilizza solo la più semplice delle diverse tipologie di link: il link unidirezionale. Vediamo un esempio di link HTML:

Questo collegamento è unidirezionale, poiché sono definiti:

Non è possibile con il solo HTML percorrere a ritroso questo link, anche se è semplicissimo farlo utilizzando il tasto "indietro" del browser, oppure usando la funzione Javascript history.back() [18].

Sin dagli anni settanta, invece, è stata sviluppata una complessa tipologia di collegamenti ipertestuali, che corrispondono a diverse relazioni semantiche [11]:

ed altro ancora. Alcune di queste possibilità sono già state realizzate grazie all’apporto di Java. Di per sé, HTML consente solo di aprire la risorsa destinazione di un collegamento all’interno del documento di origine con la tecnica dei frame, che presenta vari problemi [5]:

XML, tramite i suoi linguaggi XLink ed XPointer, supporta pienamente tutti questi tipi di collegamento. XPointer, in particolare, riesce ad indirizzare qualsiasi parte di un documento, rappresentando gli elementi del documento all’interno di una struttura ad albero, così come i moderni file system fanno con le directory ed i file (vedi § 7.5).

Una delle esperienze più comuni tra coloro che utilizzano abitualmente il World Wide Web è l’apparizione del messaggio :"HTTP/1.0: 404 Oggetto non trovato", quando si cerca di accedere a un documento attraverso un link ipertestuale o mediante il suo URL (Uniform Resource Locator) [11]. Ciò significa semplicemente che il file corrispondente non si trova più nella posizione indicata dal suo indirizzo, poiché è stato spostato, cancellato o rinominato.

In questo caso non si tratta di una scelta dello standard, quanto piuttosto di un "effetto collaterale" della struttura sintattica dell’elemento <A> in HTML [7]. Infatti l’indirizzo della risorsa di destinazione viene riportato esplicitamente nel documento HTML come valore dell’attributo HREF, e non in un database o in un altro documento, generando notevoli problemi di manutenzione. In caso di cancellazione della risorsa di destinazione o anche di semplice modifica del suo path, diventa allora necessario modificare tutti i documenti che a quella risorsa avevano un riferimento, se si vuole evitare di lasciare in circolazione testi contenenti link scomparsi. Questo problema si può arginare solamente utilizzando nei documenti dei semplici identificativi contenuti fuori dal documento stesso, in archivi che, modificati in seguito ad un cambiamento dell’indirizzo della risorsa, aggiornano immediatamente tutti i collegamenti.

La schermata presentata da Explorer 5 nel caso sia selezionato un link scomparso

Per rispondere a questa esigenza, vari enti ed organizzazioni che si occupano dello sviluppo degli standard su Internet hanno proposto una architettura ad hoc denominata Uniform Resource Name (URN) [11]. In realtà con questa sigla viene indicata una serie di tecnologie, ancora in fase sperimentale, nate in ambiti diversi e caratterizzate da diversi approcci e finalità immediate.

Un URN è un identificatore che può essere associato ad ogni risorsa disponibile su Internet, e che dovrebbe essere utilizzato in tutti i contesti che attualmente fanno uso degli URL. In generale, esso gode delle seguenti caratteristiche:

Ciascuna risorsa individuata da un URN può essere disponibile in molteplici copie, distribuite su diversi luoghi della rete: conseguentemente ad ogni URN possono corrispondere molteplici URL.

Attualmente le risorse dotate di URN sono poche, ma tra queste vi sono gli spazi dei nomi di cui fanno uso alcune applicazioni XML. Un esempio di URN è il seguente:

ed è l’URN che contiene lo spazio dei nomi di XML-Data. Torneremo nei §§ 4.6 e 4.7 sia sugli spazi dei nomi che su XML-Data.

Come abbiamo visto, HTML è uno standard in continua evoluzione [14]. Finora le sue capacità sono state continuamente estese attraverso l’introduzione di nuovi tag. Per le organizzazioni che gestiscono grandi quantità di informazioni in HTML, il rilascio di nuove versioni di questo linguaggio provoca in genere notevoli problemi di manutenzione dei documenti esistenti, non tanto perché venga meno la compatibilità nei confronti delle versioni precedenti, quanto per la necessità di offrire pagine Web sempre "al passo con i tempi" e quindi in grado di sfoggiare le novità portate dall’ultima versione di HTML.

Recentemente Microsoft e Netscape hanno aumentato l’intervallo di tempo fra i rilasci di una versione e della successiva dei loro browser, portandola da sei mesi a circa un anno. Molti webmaster malignamente pensano che ciò sia dovuto al tempo impiegato da queste due software house per aggiornare i loro enormi siti, al fine di ottimizzarli per la navigazione con il rispettivo nuovo browser, operazione che forse richiede più tempo dello sviluppo del browser stesso.

Per evitare completamente questo problema, molte grandi organizzazioni già da tempo scrivono i propri documenti in formato SGML, effettuando automaticamente la traduzione in HTML con appositi programmi. L’aggiornamento di un traduttore di questo tipo per una nuova versione di HTML richiede un tempo enormemente inferiore rispetto alla ricostruzione di tutti i documenti di interi siti.

L’avvento di XML, che è una semplificazione di SGML, agevola enormemente coloro che vogliono pubblicare su Web i propri documenti SGML. Molti affermati prodotti software per comporre documenti SGML supportano già l’esportazione in formato XML [5]. La possibilità di usare XML direttamente su Web permette di confinare i tag presenti e futuri di HTML ai soli fogli di stile: eventuali aggiornamenti di HTML si ripercuoteranno solo sulla presentazione su Web del documento, lasciando inalterata la sua versione in XML.

Finora abbiamo evidenziato solamente i limiti e i difetti di HTML, notando come XML sia in grado di superarli. Potrebbe sembrare così che XML debba sostituire completamente HTML, ma ciò non è assolutamente necessario. HTML ha numerosi punti a suo vantaggio, i più importanti dei quali sono [17]:

Per le applicazioni più semplici del Web passare all’XML potrebbe risultare addirittura uno svantaggio. Esistono numerosissime pagine Web che:

Quasi sicuramente il linguaggio di queste pagine resterà HTML. Del resto se io ho una homepage personale visitata al più da qualche mio amico, chi me lo fa fare a:

1. convertire il codice da HTML in XML,
2. aggiungere un foglio di stile per permettere la visualizzazione con un browser,
3. aggiungere la DTD per avere la mia homepage validata secondo la specifica del W3C?

Al termine di questo lavoro avrei lo svantaggio che i miei amici con browser vecchi non riuscirebbero neanche più ad accedere alla pagina.

In realtà HTML ed XML sono complementari tra loro e trattano i dati su livelli differenti [19]:

Infatti XSL, che si occupa della rappresentazione dei dati, prevede la possibilità di utilizzare tag di HTML. La cosa non è indispensabile, visto che si potrebbero usare anche dei tag propri di XSL, chiamati oggetti di formattazione, ma è molto utile, poiché i tag di HTML sono molto più conosciuti e semplici da usare (vedi § 5.9). Si può concludere che:

1. sostituendo XML ad HTML nelle fasi di memorizzazione e descrizione dei dati;
2. riutilizzando il codice HTML relativo alla formattazione dei documenti, mediante l’inserimento all’interno dei fogli di stile XSL.

Il seguente diagramma illustra i componenti fondamentali di un documento XML completo e come questi interagiscano fra loro [5]:

Questo schema non è l’unico possibile, in quanto:

1. La DTD nell’XML è facoltativa. Però senza la DTD è impossibile validare il documento.
2. Il foglio di stile XSL (o CSS) è la soluzione più immediata per portare su Web documenti XML. Comunque c’è anche la possibilità di accedere ai documenti XML per mezzo di file HTML con l’aggiunta di script, applet Java, controlli ActiveX ecc.

È appena il caso di notare che i file XML, DTD ed XSL possono trovarsi nello stesso computer, così come in tre continenti diversi: questa è una caratteristica di tutte le tecnologie correlate ad Internet.

In questo capitolo ci occuperemo esclusivamente della composizione dei documenti XML. Il capitolo 4 sarà dedicato alle DTD e i capitoli 5 e 6 al linguaggio XSL.

In XML viene definito elemento:

<Nome attributo="valore">Esempio di elemento non vuoto</Nome>

<Vuoto attributo="valore"/>

Riassumiamo le sintassi dei due tipi di elementi per mezzo di questo schema [10]:

<Vuoto attributo="valore"/>

Ogni attributo associa ad un elemento un valore, il quale è un’informazione che non fa parte del contenuto dell’elemento stesso. Come in HTML, gli attributi possono essere un numero qualsiasi, eventualmente anche nessuno. Se gli attributi sono più di uno, le coppie formate da attributo e valore vengono semplicemente elencate all’interno del tag di apertura o del tag di elemento vuoto:

Apparentemente la sintassi di XML è la stessa di HTML. Ci sono, invece, alcune differenze di fondamentale importanza.

1. In un elemento non vuoto il tag di chiusura deve essere sempre presente.
2. Il nome del tag deve essere esattamente identico nei tag di apertura e chiusura. XML distingue fra maiuscole e minuscole e pertanto:

Nome ¹ NOME ¹ nome ¹ NoMe

3. Dato che è obbligatorio il tag di chiusura, gli elementi devono essere nidificati correttamente l’uno nell’altro. Se all’interno di un elemento c’è il tag di apertura di un altro elemento, deve per forza trovarvisi anche il tag di chiusura. Una nidificazione corretta è la seguente:

<ESTERNO>

<INTERNO>Contenuto</INTERNO>

</ESTERNO>

mentre è sbagliata:

<ESTERNO>

<INTERNO>Contenuto</ESTERNO> NO!

</INTERNO>

4. I valori degli attributi devono essere obbligatoriamente racchiusi tra virgolette o apici.
5. Deve essere presente un solo elemento di livello più esterno. Tale elemento costituisce la radice del documento XML e tutti gli altri elementi devono essere contenuti in esso. La radice ha lo stesso significato dell’elemento <HTML> di HTML, ma il suo tag può avere un nome qualunque.

HTML definisce un insieme di elementi, ciascuno con un proprio significato ed un proprio effetto sulla visualizzazione del documento. XML non detta regole di questo tipo, ma lascia due possibilità:

1. Fare riferimento ad una DTD interna o esterna. In questo caso il documento XML può contenere solo elementi e attributi esplicitamente indicati nella DTD e strutturati secondo quanto stabilito nella DTD stessa. Se il documento rispetta tutte le regole della DTD è chiamato valido.
2. Non utilizzare la DTD. In questo modo la scelta di attributi ed elementi è libera e gli unici vincoli sono il rispetto delle regole sintattiche appena elencate. Un documento che è privo di DTD e non contiene errori di sintassi è detto ben formato [1] o anche ben formattato o accettabile.

Come in tutti i linguaggi, anche in XML esistono delle parole riservate che non possono essere utilizzate liberamente come nomi di elementi, attributi o per markup di altro tipo [5]. Secondo la specifica XML del W3C, sono parole riservate le stringhe:

XML, xml, Xml, xML, …

e tutte le altre possibili combinazioni con lettere maiuscole e minuscole [6]. Nessun nome può iniziare con una di queste stringhe, o essere uguale ad una di esse [1].

Per il resto la scelta dei nomi è molto flessibile, in quanto:

Ricordiamo che un documento scritto con un linguaggio di markup è composto dal testo e dal markup.

Mentre il markup segue delle regole sintattiche precise, il testo deve poter contenere qualsiasi carattere. In XML, però, alcuni caratteri non dovrebbero essere inseriti direttamente nel testo, poiché possono confondersi con il markup. Essi sono:

< > & ' "

XML consente di sostituire questi caratteri con entità predefinite. Vedremo in seguito come è possibile far riferimento a tali entità e quindi utilizzare anche questi caratteri nel testo.

I documenti XML possono cominciare con un prologo, il quale è composto da:

entrambe facoltative.

La dichiarazione XML è composta da 3 parti:

1. Numero della versione. Una dichiarazione XML che contiene solo il numero della versione è detta minima.La sua sintassi è:

<?xml version="1.0"?>

Per il momento l’unica versione di XML è la 1.0, dunque l’unico valore possibile per il numero di versione è "1.0". Si noti inoltre che la stringa "xml" deve essere scritta in lettere minuscole.

2. Dichiarazione della codifica. Descrive quale codifica dei caratteri viene utilizzata. La sintassi è la seguente: