XMLというと、非常に自由に記述できるイメージがあるけど、それは間違えかも知れない。
というのも、XMLはSGMLの機能制限版というようなものだから。
SGMLはとても複雑でその機能を使い切ることは不可能で、完全に解釈するパーサーは少なかったと。
それを整理して、扱いやすくて解釈しやすいものを作った、それがXML。
それでも、非常に自由に記述することができるイメージがあるということは、SGMLが相当ひどかったということだな。
なのでXML文書は同時にSGML文書です。だからSGMLのDTDをXMLでも使うことがあるのか。
ただ、SGMLには無かった名前空間という考えもあるし、というのでXML Schemaを設計中だとか。
実際、SGMLで書くHTMLと、XMLで書くXHTMLを見比べても、あまり差はない。
空要素は<br />のように記述する、ルート要素たるhtml要素にxmlns属性を付けて名前空間を指定する程度の違いしか見えない。
ちなみに、空要素の記述法はSGMLの仕様にあるものを応用して作ったそうです。けど根拠がわからん。
という風に、非常にSGMLは複雑だったのですが、XMLは普段使うものに限って残したからかなりシンプルらしい。
そんなXMLだが、非常に扱いがいいので、多くのところで使われている。
.NET Frameworkでは従来iniファイルを使って記録していたこともXMLで記録するのが推奨されている。
ただXMLの解釈にはいい思い出がない。えらい苦労した。
しかし、それを非常に簡単に処理できるSystem.Xml.XmlDocumentクラスがあるんですね。
これ.NET Framework 1.0の時代からあるはずなのにね。なんでこれを紹介するページを見つけられなかったんだろ。
これは、DOM(Document Object Model)というAPIを.NET Frameworkが実装したもの。
この方法の特徴は、XMLファイルをツリー構造で扱うこと。
なので、こんな風に簡単に扱える。
const string xmlns="http://libserver.ddo.jp/fdiary/index.php?e=105";
xd.DocumentElement["Profile",xmlns]["Name",xmlns].InnerText
xdはXmlDocumentのインスタンス。
DocumentElementはルート要素のこと、[“Profile”,xmlns]は、http://libserver.ddo.jp/fdiary/index.php?e=105 名前空間のProfile要素。
…こんな風に扱えるわけです。
ただし、この方法はツリーを作ってから操作することになるだろうから、動作が遅いとか。
XMLもSGMLに比べれば簡略化されたとはいえ、解釈にかかるパワーは未だに大きいとか。
そんな処理を一旦してから、ツリー構造をメモリ上に置いておいて、そこから処理すると。
他にSAX(Simple API for XML)というAPIも有名らしいが、
これは要素を読み取ってはイベントに投げるということを行うものだそうだ。
こちらの方が軽量だけど、さっきのような記述法は通用しないでしょう。
さて、その前に少し勉強しておかないといけないことがある。
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE Profiles [ <!ENTITY NaraShi "奈良県奈良市">
<!ENTITY SeikaCho "京都府相楽郡精華町"> ]>
<Profiles xmlns="http://libserver.ddo.jp/fdiary/index.php?e=105">
<Profile>
<Name>中山次郎</Name>
<Birthday Year="1989" Month="10" Day="20" />
<Address Zip="619-0238">&SeikaCho;精華台八丁目1番地3</Address>
</Profile>
<Profile>
<Name>杉田祐介</Name>
<Birthday Year="1991" Month="7" Day="6" />
<Address Zip="630-8012">&NaraShi;二条大路南一丁目1番1号</Address>
</Profile>
</Profiles>
これはXML文書です。いろいろ考えたのだが、こういう文書が解釈しやすい。
まず一番始めにXML宣言。次にDOCTYPE宣言、普通はここでDTDを指定しますが今回はしません。
DOCTYPE宣言の[ ]内で、ENTITY宣言をしています。これは実体参照を定義しています。
&NaraShi;と書くことと奈良県奈良市と書くことは一緒であると定義しているわけだ。
XMLにおいては、<,>,&,",'の実体参照、<,￯の数値参照はすでに定義されています。
ちなみに田は10進数で書いた場合、田は16進数で書いた場合。
これが表す文字はUnicodeでU+7530のなんだが、田という字だ。切りがいいので覚えておくとおもしろい。
それ以外はDTDで定義することになる。今回&NaraShi;と&SeikaCho;を定義している。
何度も長いのを書くのがいやだから実体参照を定義するというのもあるけど、
もし、京都府相楽郡精華町が、京都府精華市に化けたとき、ちょっと変えるだけで変更が反映される。
そういうメリットもあります。こういうのを内部実体参照と言う。
あと、外部ファイルを読み込む実体参照もあって、これは外部実体参照と言うとか。
さて、次にルート要素。XML文書はルート要素を1つ持つということなので、1つだけ持つ。
ルート要素にxmlns属性を付けているが、xmlns属性で名前空間を指定すると。
この名前空間にはURIを指定する。今のところURIはURLとURNの総称だな。とりあえずこの記事のURLを指定した。
特に意味はなく、XML要素たちの依り代程度の意味です。XHTMLの要素はhttp://www.w3.org/1999/xhtmlという名前空間に属すると。
これがURLだとしても、そこに何があっても関係ない。何もなくてもいい。
xmlns属性を指定したら、その要素と、子孫の要素は何もしなくてもその名前空間に属する。
xmlns:foo属性を指定したら、
どれも正しい書き方でして、まぁいろいろあるということです。
ところで、要素ノードは0個以上の属性ノードを持って、子として要素ノード・テキストノード・コメントノードなどがあると。
まぁこんな風なツリー構造になってると。
ここで重要なのは属性ノードに値があるんじゃなくて、その下のテキストノードとかに値があるということ。
その子孫のテキストノードの値を連結したものを得るInnerTextがあるから、それを使えばいいけど、子孫だというのが厄介。
まぁそんなところを見ると、こういうXMLは解釈しにくいと思った。
<Address>
<Zip>630-8012</Zip>
&NaraShi;二条大路南一丁目1番1号
</Address>
Addressの値を示すテキストノードと、Zip属性の属性ノードが混在している。
これでInnerTextを取得すると、630-8012(空白改行)奈良県奈良市二条大路南一丁目一番一号のような値が返ってくる。
なるほど、確かに困る。いろいろ実験してたが、これを解決する画期的な方法は見つからなかった。
さて、これを解釈するプログラムを作成してみた。
System.Xml.XmlDocument xd=new System.Xml.XmlDocument();
xd.Load(@"..\test.xml");
const string xmlns="http://libserver.ddo.jp/fdiary/index.php?e=105";
System.Text.RegularExpressions.Regex space=new System.Text.RegularExpressions.Regex(@"\s+");
foreach (System.Xml.XmlElem ent curprof in xd.DocumentElement.GetElementsByTagName("Profile", xmlns)) {
System.Console.WriteLine("氏名 : {0}", space.Replace(curprof["Name", xmlns].InnerText, " ").Trim());
System.Xml.XmlAttributeCollection attrs=curprof["Birthday", xmlns].Attributes;
DateTime birthday=new DateTime(int.Parse(attrs["Year"].Value), int.Parse(attrs["Month"].Value), int.Parse(attrs["Day"].Value));
System.Console.WriteLine("生年月日 : {0:yyyy年MM月dd日(ddd)}", birthday);
System.Xml.XmlNode addrnode=curprof["Address", xmlns];
System.Console.Write("住所 : ");
System.Xml.XmlAttribute zipattr = addrnode.Attributes["Zip"];
if (zipattr!=null) {
System.Console.WriteLine("〒{0}", space.Replace(zipattr.Value, " ").Trim());
System.Console.Write(" ");
}
System.Console.WriteLine(space.Replace(addrnode.InnerText, " ").Trim());
}
ところで今回/\s+/の正規表現のメソッドを始めに作って、space.Replace(mystring, ” “).Trim()のような操作を何度かしている。
これはHTMLの解釈をマネして付けてみた。
HTMLでは連続する空白文字は1つにまとめられて、どれもスペースで表示される。
ブロックレベル要素の初めと最後のスペースは消える。この2つを再現してみた。まぁどうでもいいことなんだけどね。
まずXmlDocumentクラスのインスタンスを作り、XMLファイルをLoadする。
xd.DocumentElementでルート要素のノードを取得する。
さて、要素ノードは、foreachで子ノードを1つ1つ回すもよし、
elem[“foo”,xmlns]のようにfoo要素である子ノードを1つ取り出すのもいい。
GetElementsByTagNameメソッドは、その名前の要素が2つ以上あるかもしれないとき使う。
これでProfile要素たちを取り出してforeachで回すことにした。
要素の属性ノードは、elem.Attributes[“foo”]のように取り出す。
属性の値はValueプロパティで得られる。
要素の子孫のテキストノードの値は、さっき言ったように、elem.InnerTextのようにInnerText属性を見るのがいいと思う。
こいつの機能は非常に豊富でXML文書を作成、編集することもできる。
ノードの取り出しも、高機能な問い合わせ言語である、XPathを使って行うこともできる。
まぁそんなわけで非常におもしろい。
ただ、厄介なのが型の名前のこと。
要素ノードはSystem.Xml.XmlElement、属性ノードはSystem.Xml.XmlAttributeのようにいろいろある。
もし、GetElementsByTagNameメソッドとかで、要素ノードだけを取り出せると知ってる時はこれを使う方が何かといい。
ちょっと機能が豊富。GetElementsByTagNameメソッドはSystem.Xml.XmlElementクラスにしかないし。
ただ一方、要素自体をforeachで回すときは要素ノードだけじゃなくてテキストノードとかいろいろ沸いてくる。
そういうのをひっくるめて、System.Xml.XmlNode型で表すんですけどね。これは抽象メソッドだったはず。
扱いが悪いというのならば、elem.GetElementsByTagName(“*”)のようにするのがいいのかな。
多分こっちの方が何かといいと思います。
まぁそのあたり気をつけながらやると多分うまくいくと思います。