XML et JSON
Partie 3 sur 4
5Lire un document : analyseurs, DOM et SAX
Un document XML ne sert à rien tant qu’aucun programme n’en extrait les données. Il est essentiel, pour le receveur d’un document, de pouvoir extraire les données. Cette opération est réalisée par un outil appelé analyseur ou analyseur syntaxique (en anglais parser, parfois francisé en « parseur »). Il parcourt le document, en extrait les informations (on parle d’analyse, ou de parsing), vérifie la syntaxe et, éventuellement, la validité. Dans le cas de XML, il crée une structure hiérarchique contenant les données du document.
5.1Analyseurs validants et non validants
On distingue deux types d’analyseurs. Les analyseurs validants (validating) vérifient que le document est conforme à sa DTD ou à son schéma. Les analyseurs non validants se contentent de vérifier qu’il est bien formé, c’est-à-dire qu’il respecte la syntaxe de base. Le premier est plus rigoureux, le second plus rapide.
5.2Deux approches : DOM et SAX
Les analyseurs se divisent aussi selon l’approche utilisée. Deux approches restent les deux grandes familles (figure 2).
L’approche hiérarchique : DOM. Les analyseurs de ce type construisent une structure hiérarchique contenant des objets qui représentent les éléments du document, et dont les méthodes permettent d’accéder aux propriétés. L’interface principale est DOM (Document Object Model, « modèle objet de document »), une spécification du W3C qui définit la structure d’un document sous forme d’une hiérarchie d’objets, pour simplifier l’accès à ses éléments. C’est une interface de programmation (API, Application Programming Interface, c’est-à-dire un ensemble de fonctions mises à disposition des programmeurs) normalisée, indépendante de toute plateforme et de tout langage, qui permet à une application de parcourir le document et d’agir dessus dynamiquement. C’est ainsi que JavaScript et son standard ECMAScript utilisent DOM pour naviguer dans un document HTML, récupérer le contenu d’un formulaire, le modifier (voir le langage JavaScript).
DOM se divise en niveaux : le niveau 1, avec un noyau pour les documents en général (dont XML) et une partie propre à HTML ; le niveau 2, qui ajoutait notamment la prise en compte des feuilles de style CSS dans la hiérarchie. Il a ensuite été enrichi (niveaux 3, puis le « DOM Living Standard » maintenu en continu), mais l’idée n’a pas changé.
L’approche événementielle : SAX. Les API de ce type réagissent à des événements, comme le début ou la fin d’un élément, et renvoient le résultat à l’application. L’interface principale est SAX (Simple API for XML, interface simple pour XML). Une application SAX met en place des gestionnaires d’événements, qui effectuent des opérations selon le type d’élément rencontré. Pour le document suivant :
<personne>
<nom>Martin</nom>
<prenom>Claire</prenom>
</personne>
la lecture déclenche la suite d’événements : début du document ; début de l’élément personne ; début de nom ; caractères « Martin » ; fin de nom ; début de prenom ; caractères « Claire » ; fin de prenom ; fin de personne ; fin du document. Les interfaces de SAX portaient autrefois les noms DocumentHandler (méthodes startDocument, startElement, characters, endElement, endDocument), ErrorHandler (erreurs et avertissements), DTDHandler (lecture de la DTD) et EntityResolver (qui renvoie une adresse quand une entité est rencontrée). Les versions actuelles ont regroupé et renommé ces interfaces, mais le principe est le même.
5.3Comparer DOM et SAX
L’inconvénient de DOM est qu’il impose de construire en mémoire l’arbre de tout le document, quelle que soit l’application. Pour de gros documents, dont la taille approche celle de la mémoire de la machine, DOM devient insuffisant ; il est aussi lent. De plus, le standard était mal respecté, chaque éditeur l’implémentant selon ses besoins, d’où des analyseurs aux interfaces propriétaires. De plus en plus d’applications se tournaient donc vers SAX, qui ne traite que ce qui est nécessaire, sans construire de structure globale.
Le choix reste d’actualité. DOM convient aux documents de taille raisonnable où l’on veut naviguer librement, modifier, réorganiser : c’est l’arbre de la page dans un navigateur. SAX convient aux très gros flux lus une fois, de bout en bout, pour en extraire quelques informations. Une troisième voie, dite pull (« tirer »), est apparue : c’est le programme qui demande l’élément suivant, au lieu de recevoir des événements. Elle est plus simple à écrire que SAX avec une consommation aussi faible. Enfin, XPath est un langage d’expressions pour désigner des parties de l’arbre, présenté ci-dessous.
Pour s’exercer
Exercice 4 : choisir DOM ou SAX
Vous devez (a) modifier le titre de la troisième section d’un manuel de 200 pages, (b) compter les occurrences d’un élément dans un fichier de 40 Go. Quelle approche pour chacun ?
Voir la réponse
(a) DOM : le document tient en mémoire, on navigue librement vers la section, on la modifie, on réécrit. (b) SAX ou lecture « pull » : le fichier est bien plus grand que la mémoire ; on le lit une fois en incrémentant un compteur à chaque début d’élément, sans rien conserver.
6Présenter et transformer : XSL, XSLT, XPath
Comme XML ne dit rien de la présentation, il faut un langage qui transforme les données en quelque chose de lisible. On décrit la famille XSL (eXtensible Stylesheet Language), qui se compose de deux parties :
- le langage de transformation des données, XSLT, qui transforme la structure des éléments XML ;
- le langage de formatage, XSL-FO (Formatting Objects), qui définit la mise en page (texte, graphiques) de ce que XSLT a produit.
XSL se compare aux feuilles de style CSS pour HTML et à DSSSL (Document Style Semantics and Specification Language) pour SGML, et à partir d’un même document XML on peut produire d’autres formats (PostScript, HTML, TeX, RTF, ou du WML pour les anciens mobiles WAP). Cette séparation existe toujours. XSLT a eu de loin le plus de succès, et les versions 2.0 et 3.0 (2017) l’ont considérablement enrichi. XSL-FO, destiné à produire des documents imprimables (PDF), est resté confidentiel face à d’autres solutions comme CSS pour l’impression.
6.1Le principe de XSLT
Un document XML se représente comme une structure arborescente. XSLT le transforme à l’aide de feuilles de style contenant des règles appelées règles de gabarit (en anglais template rules). Le processeur XSLT, composant logiciel chargé de la transformation, construit d’abord une structure logique arborescente à partir du document XML, l’arbre source ; il lui fait ensuite subir les transformations décrites par les règles, pour produire un arbre résultat, qui peut représenter, par exemple, la structure d’un document HTML. Chaque règle définit des traitements à effectuer sur un élément (nœud ou feuille) de l’arbre source : on appelle motifs (en anglais patterns, parfois « éléments cibles ») les éléments sélectionnés. L’arbre source peut être entièrement remodelé, filtré, enrichi : l’arbre résultat peut être radicalement différent. Les composants de l’arbre résultat s’appellent des objets de flux (flow objects) : ce sont ceux que XSL-FO formate ensuite, pour en faire une représentation visuelle (papier, écran).
6.2Une feuille de style
Une feuille XSL est elle-même un document XML. Elle commence donc par le prologue, et toute la feuille est comprise entre les balises xsl:stylesheet. Elle est enregistrée dans un fichier d’extension .xsl (ou .xslt). Elle contient des balises xsl:template qui définissent les transformations à faire subir à certains éléments. On rencontre parfois comme espace de noms XSL une adresse provisoire d’une époque ancienne (celle d’un document de travail, « WD-xsl ») qui n’est plus valable. La déclaration correcte d’une feuille XSLT actuelle est :
<?xml version="1.0" encoding="UTF-8"?>
<xsl:stylesheet version="1.0"
xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
<xsl:output method="html" encoding="UTF-8"/>
<xsl:template match="/annuaire">
<ul>
<xsl:for-each select="personne">
<li><xsl:value-of select="nom"/> - <xsl:value-of select="prenom"/></li>
</xsl:for-each>
</ul>
</xsl:template>
</xsl:stylesheet>
Appliquée à un annuaire de trois personnes, cette feuille produit une liste HTML : <ul><li>Martin - Claire</li><li>Durand - Paul</li><li>Bernard - Julie</li></ul>. C’est le genre de transformation qui change des <personne> en éléments de liste.
Pour qu’un navigateur applique une feuille de style à un document XML, on ajoute dans le document, après le prologue, l’instruction de traitement <?xml-stylesheet href="fichier.xsl" type="text/xsl"?>. Aujourd’hui, la transformation se fait plus souvent côté serveur ou dans un outil, que dans le navigateur.
6.3L’attribut match et XPath
L’attribut match de xsl:template définit, avec la notation XPath, les éléments du document sur lesquels s’applique la règle. XPath (XML Path Language, recommandation du W3C de 1999) est une notation qui décrit des chemins dans l’arbre, à la façon des chemins de fichiers sur un disque. Les principaux motifs :
nom: sélectionne les éléments portant ce nom ;/seul : la racine de l’arborescence ; entre deux noms (annuaire/personne), il décrit la localisation d’un élément, comme/usr/bin/totopour un fichier ;//personne: tous les descendants de ce nom, à n’importe quelle profondeur ;*: joker, n’importe quel élément ;.: le nœud courant ;..: son parent, pour remonter d’un niveau ;|: alternative (un nœud ou l’autre) ;@nom: un attribut, et@*tous les attributs ;personne[1]: le premier élément de ce nom, etpersonne[last()]le dernier ;personne[@classe='etudiant']: les éléments dont l’attribut a cette valeur.
Deux corrections à connaître : en XPath, la numérotation commence à 1 et non à 0 (on écrit parfois toto[0] pour le premier élément) ; et le dernier élément se désigne par last(), non par end(). XPath est très utile hors de XSLT : bases de données, outils de test de pages web, requêtes sur des documents.
6.4Les éléments de transformation
Voici un catalogue des éléments XSL. Les plus importants, avec leur rôle :
xsl:template: définit une règle de gabarit, appliquée aux éléments désignés parmatch;xsl:apply-templates: demande d’appliquer les règles aux éléments enfants (il n’insère aucun contenu par lui-même, il déclenche les règles qui s’appliquent) ;xsl:value-of: insère dans le résultat le contenu texte de l’élément désigné par son attributselect(dans la première version du langage, l’élément s’employait parfois sans attribut) ;xsl:for-each: répète un traitement pour chaque nœud correspondant ;xsl:if: test conditionnel simple ;xsl:chooseavecxsl:whenetxsl:otherwise: structure à choix multiples, de type « cas » ;xsl:element,xsl:attribute,xsl:comment: créent dans le résultat un élément, un attribut, un commentaire de nom choisi ;xsl:copyetxsl:copy-of: copient le nœud courant (ou le nœud sélectionné avec ses descendants) dans l’arbre résultat ;xsl:importetxsl:apply-imports: importent une autre feuille de style, puis appliquent les règles importées à l’intérieur d’une règle ;xsl:sort: trie les éléments ;xsl:decimal-format: déclare un format de nombre décimal.
Un exemple pour comprendre la différence entre apply-templates et value-of. Soit le document <voiture><marque>Exemplar</marque><couleur>Bleu</couleur></voiture>. Une règle <xsl:template match="voiture"><Auto><xsl:apply-templates/></Auto></xsl:template> fait apparaître une balise Auto autour du résultat, mais sans texte tant qu’aucune règle n’insère de contenu pour marque et couleur (les anciennes versions donnaient <Auto></Auto> vide). Pour afficher les valeurs, il faut ajouter des règles avec xsl:value-of, par exemple une cellule de tableau pour chaque élément. C’est la logique de XSLT : chaque règle traite son élément, et apply-templates passe la main aux règles des enfants.
Pour s’exercer
Exercice 5 : écrire un chemin XPath
Dans l’annuaire de la partie 2, écrivez les expressions qui désignent : (a) tous les noms ; (b) la première personne ; (c) les personnes de classe « etudiant » ; (d) le dernier téléphone.
Voir la réponse
(a) //nom ; (b) /annuaire/personne[1] (on commence à 1) ; (c) //personne[@classe='etudiant'] ; (d) (//telephone)[last()].
7Les liens : de XLL à XLink et XPointer
HTML sait faire des liens simples, de page à page. Mais dans un document XML où les balises sont inventées, comment dire qu’un élément est un lien ? XLL est un langage de description des liens hypertextes pour XML, aussi connu sous le nom de « XML Part 2 », c’est-à-dire la seconde partie de la norme XML, qui était alors encore au stade de document de travail, contrairement à la première partie devenue recommandation. Il reposait sur deux normes plus anciennes, HyTime (pour l’hypermédia et le temps) et TEI (Text Encoding Initiative, pour l’encodage de textes littéraires).
XLL a ensuite été scindé en deux recommandations du W3C : XLink (2001), qui décrit les liens (liens simples comme dans HTML, mais aussi liens à plusieurs destinations, liens pointant dans les deux sens), et XPointer, qui permet de désigner précisément un fragment dans un document (le deuxième paragraphe du troisième chapitre, par exemple). XLink est utilisé dans quelques formats (SVG, par exemple, pour référencer des images), mais n’a pas eu le succès attendu : dans la pratique, la plupart des vocabulaires XML définissent eux-mêmes leurs éléments de lien, ou reprennent le simple href de HTML. Le nom « XLL » n’est plus employé.