Web - XML processing (SAX)

Dr. Sabin Buraga http://www.infoiasi.ro/~busaco/

TehnologiiTehnologii WebWeb <?xml version=“1.0” ?><curs desc=“…” />

Tehnologii Web

Dr. SabinCorneliu BuragaFacultatea de Informatica

Universitatea “A.I.Cuza” – Iasi, Romania

http://www.infoiasi.ro/~busaco/



Detalii in [TX, 240‐268]

Procesari XML



“Inainte de a pune noi intrebari, gindeste‐te daca intr‐adevar vrei sa cunosti raspunsul la ele.”

Gene Wolfe



XML (Extensible Markup Language)Procesarea documentelor XML

Interfata SAX (Simple API for XML)Alternative

cuprins



Scop: manipularea documentelor XML fara ca in prealabil sa fie construit

arborele de noduri‐obiect

documentul nu trebuie stocat completin memorie inainte de a fi efectiv prelucrat

sax: intro



Ofera o procesare XML secventiala (liniara),bazata pe evenimente – eventoriented

Initiator: David Megginsonhttp://www.megginson.com/SAX/

sax: caracterizare



Efort independent – de cel al Consortiului Web –de standardizare a procesarii XML

condusa de evenimente

Larg acceptat ca standard industrial:SAX 1.0 + SAX 2.0 (spatii de nume + extensii)

http://www.saxproject.org/

sax: caracterizare



Pentru fiecare tip de constructie XML(inceput de tag, sfirsit de tag, continut, instructiune de procesare, comentariu,...) va fi generat un eveniment care va fi tratat

de o functie/metoda (handler)

sax: procesare



Functiile/metodele de tratare se specificade catre programator, pentru fiecare tip

de constructie in parte

Programul consuma si trateaza evenimenteproduse de procesorul SAX

sax: procesare



Minimal, trebuie definite functiile/metodele:trateaza_tag_inceput (procesor, tag, atrib)trateaza_tag_sfirsit (procesor, tag)trateaza_date_caract (procesor, date)

sax: procesare

ContineContine listalistaatributeloratributelor

atasateatasate tagtag‐‐uluiului de de inceputinceput



Pentru fiecare eveniment de aparitiea tag‐ului de inceput, a tag‐ului de sfirsitsi a datelor‐continut, se ataseaza unadintre functiile de tratare, respectiv:

set_element_handler(trateaza_tag_inceput, trateaza_tag_sfirsit)

set_character_data_handler(trateaza_date_caract)

sax: procesare



Implementarea de referinta (Java): org.xml.saxInterfete implementate de procesorul XML (SAX Driver)

Interfete implementate de aplicatie: DocumentHandler, ErrorHandler, DTDHandler, EntityResolver (optionale)

Clase SAX standard: InputSource, SAXException, SAXParseException, HandlerBase

Clase aditionale: ParserFactory, AttributeListImpl, LocatorImpl

sax: procesare



public interface XMLReader{

// furnizeaza informatii despre documentpublic ContentHandler getContentHandler ();public DTDHandler getDTDHandler ();public EntityResolver getEntityResolver ();public ErrorHandler getErrorHandler ();// seteaza diverse functionalitatipublic void setContentHandler (ContentHandler contentHandler);public void setDTDHandler (DTDHandler dtdHandler);public void setEntityResolver (EntityResolver resolver);public void setErrorHandler (ErrorHandler errHandler);// procesarea propriu-zisapublic void parse (InputSource in)

throws java.io.IOException, SAXException;public void parse (String uri)

throws java.io.IOException, SAXException;}

sax: procesare

Apache Xerces: interfata

XMLReader



public interface ContentHandler{

public void setDocumentLocator (Locator locator);public void startDocument () throws SAXException;public void endDocument () throws SAXException;// evenimentepublic void startElement (String uri, String localName, String qName, Attributes attributes) throws SAXException;

public void endElement (String uri, String localName, String qName) throws SAXException;

public void characters (char buf[], int offset, int length) throws SAXException;public void processingInstruction (String target, String data) throws SAXException;// informatii suplimentarepublic void ignorableWhitespace (char buf[], int offset, int length)

throws SAXException;public void startPrefixMapping (String prefix, String uri) throws SAXException;public void endPrefixMapping (String prefix) throws SAXException;public void skippedEntity (String name) throws SAXException;

}

sax: procesareApache Xerces:

interfataContentHandler



public interface Attributes{

public int getLength ();public String getType (int index);public String getValue (int index);// acces la informatiile privitoare la numepublic String getQName (int index);public String getLocalName (int index);public String getURI (int index);// acces via spatii de nume XMLpublic int getIndex (String uri, String localName);public String getType (String uri, String localName);public String getValue (String uri, String localName);// acces via nume calificate (ns:nume)public int getIndex (String qName);public String getType (String qName);public String getValue (String qName);

}

sax: procesare

Apache Xerces: interfataAttributes



libxml – API oferit de GNOME (C, C++, Perl, PHP, Python,…)

MSSAX – procesari SAX in C/C++, JScript, VBScript; inclus in MSXML SDK

org.xml.sax – API de referinta pentru JavaQSAX – parte a mediului Qt (C++)Xerces SAX API – platforma XML pentru C++ si Java:

http://xml.apache.org/XML::Parser – modul Perl (bazat pe Expat)xml_*() – functii PHP4xml.sax – modul Python, parte a PyXML

sax: implementari



sax: demo

!!



Cind trebuie folosit SAX?Procesarea unor documente de mari dimensiuniNecesitatea abandonarii procesarii(procesorul SAX poate fi oprit oricind)

Extragerea unor informatii de mici dimensiuniCrearea unei structuri noi de document XMLUtilizarea in contextul unor resurse de calcul reduse(e.g., memorie scazuta, largime de banda ingusta,...)

sax vs. dom



Cind trebuie folosit DOM?Accesul direct la datele dintr‐un document XMLCautari complexeFiltrarea complexa a datelor via XPathEfectuarea de transformari XSLNecesitateamodificarii si salvarii documentelor XMLIn contextul procesarii XML direct in cadrul navigatorului Web

sax vs. dom



DOM necesita incarcarea completa a documentului XML in vederea procesarii ca arbore

SAX necesita pentru procesare existenta unor fragmentereduse din document, efectuindu‐se o prelucrare liniara

(sir de evenimente)

sax vs. dom



SAX poate fi utilizat pentru generarea de arbori DOM

Invers, arborii DOM pot fi traversatipentru a se emite evenimente SAX

In cazul unor structuri XML sofisticate,modul de procesare SAX poate fi inadecvat

sax vs. dom



Unele implementari SAX ofera suportpentru validari si transformari

Uzual, se folosesc ambele API‐uri

sax vs. dom



intrebare

Exista si alte metode de procesare XML?



Procesarea documentelor XMLAlternative:

XPP (XML Pull Parsing)“Legarea” datelor XMLProcesare simplificata

Comparatii

cuprins



Stiluri de procesari XML conduse de evenimente:Push versus Pull

alternative



Stiluri de procesari XML conduse de evenimente:Push = procesorul XML citeste date XML si notificaaplicatia asupra evenimentelor survenite(parsing events) – SAXAplicatia nu poate face cereri de evenimente,ele aparind asa cum sunt trimise (push) de procesor

alternative



Stiluri de procesari XML conduse de evenimente:Pull = aplicatia controleaza maniera de procesare sipoate solicita (pull) procesorului urmatoruleveniment XML – XPP (XML Pull Parsing)Structura codului‐sursa al aplicatiei reflectastructura documentului XML procesat

alternative



alternative

Interfetele push Interfetele pull

Procesare readonly Mostenesc avantajeleinterfetelor push

Prelucrare rapida, via fluxuri de date (streams)

Evenim. sunt consumateconform necesitatilor

Codul‐sursa poate fi dificilde inteles

Programele au o structuramai clara



StAX – Streaming API for XML (Java) – JSR 173http://jcp.org/en/jsr/detail?id=173

BEA StAXJavolution – focalizat pe performanta:

http://javolution.org/Oracle StAX – inclus in XDKSun SJSXP – disponibil in Java 6 SDKWoodstox – oferit in contextul SOAP:

http://xircles.codehaus.org/projects/woodstox

alternative: implementari



Maniere de procesare a evenimentelor:Cursor: evenimentele sunt disponibile direct, ca proprietati, si nu este creat nici un obiectpentru reprezentarea evenimentului XML aparutXmlPull, StAX Cursor, .NET XmlTextReader

Iterator: fiecare eveniment XML este reprezentatde un obiect (imutabil, deseori) StAX Iterator

Mixta: obiectele‐eveniment pot fi reutilizatedupa creareNekoPull, XPP1, XPP2

alternative



alternative

Clasificare a manierelor de procesare XMLMod de accesare: secvential vs. direct (random)Controlul fluxului: pull vs. pushManagementul arborelui: ierarhic vs. imbricat



alternative

DOM ofera acces direct, in stilul pull

SAX ofera acces secvential, in stilul push

XPP si .NET XmlTextReader ofera acces secvential,in stilul pull



alternative

“Legarea” datelor XML de alte surse de date(XML binding)

Baze de date: XML infoset↔ dataset



alternative


Obiecte: date XML ↔ clase create “din zbor”

(C#, Java, Perl, PHP5)

interogari asupra datelor XML direct in limbajulde programare – LINQ (Language INtegrated Query)



alternative


Exemple de implementari:Castor, Zeus, JAXB (Java Architecture for XML Binding),

XmlDataDocument (.NET) etc.



alternative

Procesarea XML simplificata

Scop: procesarea unui document XML(de mici dimensiuni) direct in memorie,in maniera obiectuala, diferita de DOM



alternative

Procesarea XML simplificata

Fiecarui element XML ii poate corespundeo proprietate a unui obiect

Atributele asociate elementelor XML pot fi memorateintr‐o structura de date (e.g., tablou asociativ)



alternative

Procesarea XML simplificataImplementari:

E4X – ECMAScript for XML (Javascript)libxml (C)

SimpleXML (PHP5)XML::Simple & XML::Writer (Perl)

XmlTextReader & XmlTextWriter (.NET)



alternative

Procesarea XML simplificataPentru consultare, se poate folositun cititor (reader): XMLReader

E.g., clasa XmlTextReader oferita de .NET Framework



alternative

Procesarea XML simplificataPentru generare, se poate utilizaun scriitor (writer): XMLWriter

E.g., clasa XmlTextWriter oferita de .NET Framework



alternative

DOM partialUnele procesoare XML ofera posibilitateaconstruirii partiale a arborelui DOM

Exemplu: Apache AXIOM (C, Java)http://ws.apache.org/commons/axiom/



alternative: demo

!!



alternative

ComparatiiStudiu de caz: benchmark privind contorizareaaparitiilor elementelor & atributelor si lungimea

nodurilor de tip text

Detalii in Matthias Farwick, Michael Hafner, XML Parser Benchmarks: Part 1 & Part 2, XML.com, mai 2007:

www.xml.com/pub/a/2007/05/09/xml-parser-benchmarks-part-1.html



alternative



alternative



alternative



alternative



alternative



alternative



rezumat

Procesarea documentelor XMLInterfata SAX & alternativele



??

Technology

Web - XML processing (SAX)