Extensible Markup Language

L'objectif d'XML est expliqué dès le début de la spécification du 10 février 1998[6] avec une phrase toujours d'actualité : « Son but est de permettre au SGML générique d'être transmis, reçu et traité sur le Web de la même manière que l'est HTML aujourd'hui[7] ». SGML est un langage de balisage, employé dans les industries de la documentation et de l'édition. En adoptant cette syntaxe pour HTML, Tim Berners-Lee confrontait une technologie complexe à de plus en plus d'utilisateurs. L'objectif d'XML était de définir un langage aussi générique, mais plus simple que SGML[8]. De fait, XML est un sous-ensemble de SGML.

À la lumière des années passées, cette spécification a rempli l'objectif qu'elle se fixait, XML a été largement suivi et favorise l'interopérabilité. La disponibilité d'une syntaxe standard et d'outils de manipulation réduit significativement le coût du cycle de développement, permettant à des logiciels de modifier et de valider, sans connaissances préalables, des documents écrits dans ces langages. En effet, avant l'avènement du populaire langage généraliste de description de données qu'est XML, les concepteurs de logiciels avaient pour habitude de définir leurs propres formats de fichiers ou leurs propres langages pour partager les données entre programmes (à l'exception de quelques standards professionnels tels qu'EDIFACT), ce qui exigeait de concevoir et de programmer chaque fois des analyseurs syntaxiques spécialisés. XML a permis d'effectuer ces tâches avec des outils standards.

Plusieurs décisions ont contribué au succès du XML.

La norme XML stipule que tous les outils de traitement du XML doivent accepter les codages des caractères UTF-8 et UTF-16 de ISO 10646, c'est-à-dire Unicode. Cela donne une base commune permettant de représenter pratiquement toutes les langues du monde. SGML ne fournissait pas une telle base, rendant plus probable des problèmes de conversion de codage des caractères.

SGML est orienté pour la saisie humaine de texte structuré et autorise beaucoup de raccourcis. Ainsi, les versions de HTML fondées sur SGML permettent d'omettre certaines balises de fermeture, de raccourcir des attributs et de mélanger minuscules et majuscules.

<!-- Exemple d'HTML 4, application de SGML, avec attribut minimisé,
balises en minuscules et majuscules, balises fermantes optionnelles. -->
<UL compact>
    <LI>Item 1
    <li>Item<br>2</Li>
</ul>

Ces possibilités compliquent le traitement automatique et sont interdites pour les applications de XML.

<!-- Exemple d'XHTML, application de XML. -->
<ul compact="compact">
    <li>Item 1</li>
    <li>Item<br/>2</li>
</ul>

SGML insiste surtout sur la validation, sur la conformité à un modèle contraignant. XML prévoit un usage plus souple de l'information structurée. Il spécifie un moyen de faire cohabiter plusieurs vocabulaires de balises dans un même document grâce à la définition d'espaces de noms.

<?xml version="1.0" encoding="UTF-8"?>
<xsl:transform
    version="1.0"
    xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
    xmlns="http://www.w3.org/1999/xhtml"
    xmlns:tei="http://www.tei-c.org/ns/1.0"
>
    <!-- Transformation XSLT (instructions XML avec le préfixe “xsl:”) qui prend
en entrée du TEI (noms avec préfixe “tei:”) et donne en sortie du HTML (noms
sans préfixe). -->
    <xsl:template match="tei:abbr">
        <abbr>
            <xsl:apply-templates/>
        </abbr>
    </xsl:template>
</xsl:transform>

XML a été largement adopté en informatique dès sa normalisation en 1998. Par la suite, des formats de données moins verbeux comme YAML et JSON ont commencé à le concurrencer sérieusement.

Paradoxalement, XML n'a pas réussi à remplacer SGML pour la grammaire de HTML. Les premières versions de HTML (2, 3.2 et 4) sont formellement des applications de SGML. À la suite de l'apparition de XML, HTML 4 a été reformulé en application de XML sous le nom de XHTML 1.0. Mais bien que XHTML ait été dans un premier temps largement adopté par les concepteurs de pages Web, il a ensuite perdu du terrain face à HTML5, qui n'est pas une application de XML ni de SGML. En fait, en application du principe de robustesse, les navigateurs Web ont toujours interprété le HTML avec des algorithmes maison sans tenir compte de SGML ni de XML. Et HTML5 a entériné cet état de fait[9].

La version 1.0 d'XML a été publiée le 10 février 1998.

La version 1.1 d'XML a été publiée le 4 février 2004. Elle apporte des améliorations dans le support des différentes versions d'Unicode, permet l'usage de caractères de contrôle dans le texte (à l'exception du caractère 0), et organise les fins de ligne de façon compatible avec les technologies IBM[10].

Le W3C recommande aux interpréteurs XML de reconnaître les deux versions, bien que la première version soit beaucoup plus répandue que la seconde.

Les logiciels, surtout pour le grand public, aboutissent généralement à des fichiers. L'interopérabilité et la pérennité de ces fichiers est une préoccupation qui passe souvent après la performance. Par exemple, le format historique d'enregistrement du traitement de texte Microsoft Word (*.doc) n'est pas lisible par l'humain, le texte est difficile à extraire, le lien avec sa structuration (gras, italique…) est difficile à reconstruire. Théoriquement, seul le logiciel qui le produit est capable de le lire.

ÐÏ à¡± á    >   þÿ !  #       þÿÿÿ  ÿÿ%    ð ¿      a     bjbj%ç%ç                  
Extensible Markup Language
XML (Extensible Markup Language, « langage de balisage extensible »)
  i      8  @ñÿ  8     N o r m a l      
 CJ  _H  aJ  mH  sH  tH  N  @    N     T i t r e   1       
ÿ
[beaucoup d'informations binaires supprimées]
ÿ
ÿÿÿÿ 	   À  F    Document Microsoft Word  MSWordDoc     Word.Document.8 ô9²q

Afin de favoriser l'échange avec d'autres traitements de texte, Microsoft a proposé le format RTF (Rich Text Format « format texte riche ») en 1987. Ce n'est pas un format binaire, les commandes sont inscrites en texte lisible, mais elles ne sont pas destinées à être écrites par un humain.

{\rtf
{\f2\fs36\b Extensible Markup Language}\par
{\b XML} (Extensible Markup Language, 
« langage de balisage extensible »)...
\par
}

On retrouve le besoin d'encadrer du contenu avec un marqueur (ici les accolades {}), d'attacher des propriétés à ces groupes. Ainsi, {\b XML} indique que les lettres XML sont en gras, bold : \b. Pour le titre, humains comme logiciels ne peuvent pas l'identifier par "\f2\fs36\b", ce code indique en fait l'apparence du paragraphe (gras, gros…). Ce format a montré qu'il pouvait fonctionner dans des logiciels, mais sa complexité croissante a montré ses limites. Il est difficilement extensible et inutilisable pour structurer la sémantique d'un texte.

Donald Knuth, auteur de The Art of Computer Programming (« l'Art de la programmation »), s'est un jour (de 1977) indigné de la qualité d'impression de ses ouvrages. Il a alors développé TeX, une syntaxe très élaborée destinée à l'écriture humaine, spécialement puissante pour les équations mathématiques. RTF lui a repris ses séparateurs (\, {, }), mais pas son système de macros pour factoriser les commandes.

\documentclass[a4paper, 11pt]{article}
\title{Extensible Markup Language}
\begin{document}
    \maketitle
\end{document}

TeX reste le standard de l'édition scientifique de qualité, en particulier pour la mise en forme des équations complexes. Toutefois, cela reste un langage de programmation destiné à la mise en forme, davantage conçu pour l'apparence des documents que pour stocker ou transférer des données.

Une syntaxe wiki sait aussi séparer le contenu de la présentation.

=={{lang|en|Extensible Markup Language}}==
'''XML''' ({{lang|en|Extensible Markup Language}},
« langage de balisage extensible »)…

Cependant, cette structuration repose ici sur des séquences de caractères particulières ( ==, '''). Or, le nombre de caractères sans signification n'est pas indéfini. Un tel format peut être approprié pour un seul type de document, mais ce n'est pas une syntaxe générique et facilement extensible.

Un document XML a toujours une et une seule racine, le nœud document. Dans la syntaxe d'exploration d'un arbre XML, XPath, le nœud document est abrégé avec la barre oblique /, comme la racine de l'arborescence d'un système de fichiers Unix. La racine peut éventuellement comporter des enfants de type commentaire ou instruction de traitement, elle doit obligatoirement comporter un et un seul élément.

<?xml version="1.0" encoding="UTF-8"?>
<item>Premier élément racine</item>
<item>Deuxième élément racine = malformation</item>

Malformation

Le fichier ci-dessus n'est pas un document XML bien formé car il comporte plus d'un élément racine.

Un nœud élément est désigné par un nom qualifié au sein d'un espace de noms (<espace:élément/>). Ce nom ne peut pas contenir !"#$%&'()*+,/;<=>?@[\]^`{|}~ ou un espace et ne peut pas commencer par -. ou un chiffre. Un élément peut contenir des attributs et la plupart des autres nœuds : texte, éléments, etc. (à l'exception du nœud document). Des éléments peuvent être imbriqués, mais pas entrecroisés. Cette définition formelle est à l'origine des particularités de XML comparé à d'autres formats :

Répétable

Une même propriété peut être répétée. L'exemple montre comment indiquer qu'un livre a plusieurs auteurs <dc:creator>. Dans un format tabulaire, avec un nombre de colonnes défini, ce n'est pas impossible, mais moins spécifié.

Ordonné

L'ordre des éléments est conservé. Quel que soit le langage employé, un outil XML doit permettre de distinguer le premier auteur du second (exemple : en XPath, /ex:collection/ex:livre/dc:creator[1] = "René Goscinny", /ex:collection/ex:livre/dc:creator[2] = "Albert Uderzo").

Hiérarchique

Les éléments XML sont imbriqués. Ceci rend ce format particulièrement adapté à représenter des arbres. L'exemple est limité à deux niveaux (/ex:collection/ex:livre), une collection avec un titre (Astérix le Gaulois) et un exemple d'ouvrage de cette collection (Astérix chez les Belges). XML permet une récursivité complète. Par exemple, un livre, ou une thèse, peut être formaté très économiquement avec un élément <section>. La partie 2.3.5 correspondra à une structure d'imbrication XML /section[2]/section[3]/section[5].

Mélangeable

XML est plus qu'un format de données, c'est un format de document, permettant de mélanger du texte et des éléments, pour par exemple représenter du texte riche. Dans l'exemple, le texte de la description <dc:description> est enrichi avec des balises XHTML (gras <b>, lien <a>).

Qualifié

La qualification des noms contribue à la précision sémantique des contenus balisés. La notation xmlns="URI" ou xmlns:prefix="autre/URI", avec héritage hiérarchique, permet de rattacher tous les noms à une URI, et donc potentiellement à une documentation.

Malformations 

Quelques exemples d'XML mal formé :

• <auteur><nom>Bon</nom>, <prénom>Jean</auteur></prénom> (la balise </prénom> est fermée après la balise </auteur> alors que cette dernière a été ouverte avant. Le prénom doit être logiquement à l'intérieur de la balise auteur, comme le nom.
• <siècle>XX<exposant>e</siècle>, <para>Malformations</label> (paragraphe avec titre)</para> La balise <exposant> doit être fermée à l'intérieur de l'élément <siècle>, la balise </label> doit être ouverte avant d'être fermée à l'intérieur de l'élément <para>.
• <1-balise/>, <.balise/> , <balise!/>, <autre/balise,mal,nommée/>, <pas d'espace> Ces noms d'éléments comportent des caractères interdits, en première position ou ailleurs.

Une balise est un nom commode pour désigner les constructions entre deux chevrons (<, >) dans un fichier XML. On distinguera les balises ouvrantes <élément attribut="valeur">, les balises fermantes </élément> (sans attributs et commençant par une barre oblique) et les balises vides <élément attribut="valeur"/> (avec attributs possibles et terminant par une barre oblique). Il ne faut pas confondre les balises avec les éléments. Ces notations permettent de délimiter des éléments (ainsi que leurs attributs), mais les balises ne sont pas des nœuds dans le modèle abstrait du document.

Un nœud texte[XML 1] n'a pas d'enfants, il est toujours contenu dans un élément. Ainsi, dans le cas de texte mêlé (exemple : <p>du texte en <b>gras</b> dans un paragraphe</p>), ce n'est pas le texte qui contient le gras, mais plutôt l'élément parent <p> qui contient plusieurs enfants : un nœud texte, un nœud élément <b> et un nœud texte (exemple : p/node()[3]=" dans un paragraphe", p/b/node() = "gras").

Encodage

Par défaut, le texte est traité comme de l'Unicode (UTF-8). XML permet de spécifier d'autres encodages dans le prologue pour des raisons historiques.

Espaces

En XML, espaces et sauts de lignes sont équivalents[XML 2], autrement dit, un document peut perdre son indentation en restant identique pour les traitements, sauf instructions particulières (exemple : bloc préformaté avec l'attribut @xml:space="preserve").

Malformations

Comme tout langage informatique, XML est fondé sur des caractères qui ont un sens particulier pour la machine. La force de XML est d'avoir réduit le nombre de ces caractères au minimum, afin que le texte prime sur le métatexte (priorité des données sur les instructions). Dès qu'un analyseur XML (ex : navigateur Web) rencontre un chevron ouvrant (<), les caractères qui suivent sont interprétés comme une balise. Ceci pose évidemment des problèmes dans une inéquation mathématique if (a < 10) print("Unité"). La balise < 10)… n'ayant pas un nom d'élément correct (présence d'une espace, commence par un chiffre), un analyseur XML lèvera une erreur et s'arrêtera sans essayer d'être plus intelligent. C'est un problème pour tous les langages informatiques, qui introduisent alors des caractères d'échappement. Il faut au moins un caractère pour signaler que les caractères qui suivent doivent être interprétés autrement. En XML, c'est le rôle de l'esperluette (&) qui introduit des entités. Une entité est un nom XML encadré d'une esperluette et d'un point virgule. Ce nom a les mêmes contraintes que pour les éléments (pas d'espaces, surtout des lettres…). Dans un nœud texte, le signe inférieur doit être remplacé par < (lesser than, « inférieur » en français). Du coup, l'esperluette acquiert elle aussi un statut particulier et doit aussi être échappée. <sujet>Montaigne & La Boétie</sujet>, ce texte produira une erreur XML, car & La Boétie n'est pas une entité bien formée. Les esperluettes d'un nœud texte doivent être remplacées par l'entité & (ampersand, « esperluette » en français). Mentionnons ici trois autres entités nécessaires à XML, > (greater than, « supérieur » en français) pour >, " (quote, « guillemet » en français) pour ", ' (apostrophe) pour '.

Un attribut est un nom et une valeur. Un nom d'attribut a les mêmes contraintes et possibilités de qualification qu'un nom d'élément. La valeur est un texte sans élément (ou autres nœuds). Un attribut est toujours porté par un élément (balise ouvrante). La valeur peut être vide <element attribut=""/>, mais pas nulle <element attribut> (cette écriture était permise en SGML, on la rencontre encore parfois en HTML, mais elle n'est pas acceptée en XML).

Un attribut est unique. La répétition d'un attribut de même nom sur le même élément provoquera une erreur de l'interpréteur XML. L'ordre des attributs n'est pas significatif et peut ne pas être conservé dans certains traitements. <element attribut1="valeur1" attribut2="valeur2"/> et <element attribut2="valeur2" attribut1="valeur1"/> sont équivalents pour un interpréteur XML, même s'ils sont écrits différemment.

Malformations

<élément onclick="if (this.length > 10) alert("Pourquoi ça marche pas ?")">Valeurs d'attributs contenant des guillemets ou le signe supérieur</élément> À l'intérieur d'une balise (entre les chevrons ouvrants et fermants), le chevron fermant et les guillemets ont une signification particulière dans la délimitation des valeurs d'attribut, et la fin de la balise ouvrante. Ces caractères doivent donc être échappés. À cette fin, XML prévoit les entités " pour " et > pour >.
<élément répète-après-moi="après moi" répète-après-moi="parser error: attribute répète-après-moi redefined"/> Les attributs ne sont pas répétables.

En XML, les commentaires[XML 3] sont délimités par <!-- et -->. Le contenu d'un commentaire ne sera pas interprété.

<!-- Cet <élément> n'est pas fermé mais cela est autorisé dans un commentaire -->.

Malformations

La chaîne de caractères -- ne peut apparaître dans le contenu d'un commentaire (un interpréteur XML considère que ce signal annonce la fin d'un commentaire).

En XML, le prologue[XML 4] est constitué de la déclaration XML <?xml version="1.0" encoding="UTF-8"?>, et de la déclaration de type de document (DOCTYPE). La déclaration XML est obligatoire à partir de la version 1.1. La déclaration DOCTYPE avait une grande importance en SGML. Elle attache le document traité par un interpréteur à son schéma (DTD, Document Type Definition, « Définition de type de document ») afin de le valider et d'interpréter certains raccourcis (les entités). Désormais, il existe plusieurs langages de validation, et parfois plusieurs manières de les attacher. La déclaration DOCTYPE n'a plus la même importance.

Une instruction de traitement[XML 5] est une possibilité un peu moins employée en XML que du temps de SGML. C'est une balise particulière qui s'ouvre par un chevron ouvrant et un point d'interrogation, et qui se ferme avec un point d'interrogation et un chevron fermant <?clé valeur?>. Les lettres accolées au chevron ouvrant forment la clé jusqu'au premier espace. La suite peut contenir des espaces, de la ponctuation et forme la valeur. Cette valeur n'a pas de syntaxe imposée par XML, ce sont les applications qui les interprètent pour leur besoin. Le W3C a cependant standardisé l'usage des instructions de traitement pour associer une feuille de style à un document XML[XML 6], mais d'autres usages sont possibles. Elles peuvent être insérées à tout endroit entre les balises (mais pas dans une valeur d'attribut, ni entre chevrons au milieu d'une balise). Elles peuvent communiquer des instructions à destination des machines qui vont utiliser ce XML, sans que ce contenu soit considéré comme de l'information structurée par les balises. Ainsi par exemple, les instructions de traitements ne seront pas affichées par un navigateur, par contre, elles vont modifier leur comportement dans le traitement (et l'affichage) de cette information XML. Un éditeur XML peut aussi employer ce moyen pour associer un fichier XML à son schéma.

<?xml version="1.0" encoding="UTF-8"?>
<?xml-stylesheet href="tei2html.xsl" type="text/xsl"?>
<?xml-model
    href="tei.rng"
    type="application/xml"
    schematypens="http://relaxng.org/ns/structure/1.0"?
>
<?erreur?>
<TEI xmlns="http://www.tei-c.org/ns/1.0">
    <!-- … -->
</TEI>

Une section d'échappement[XML 7] <![CDATA[…]]> permet de contenir n'importe quel texte, avec tous les caractères spéciaux XML <>&, sans qu'il soit nécessaire d'échapper ces caractères avec des entités. Elles sont souvent utilisées dans des documents qui contiennent des syntaxes informatiques avec de nombreux chevrons et esperluettes (ex : JavaScript). Ces sections d'échappement permettent de garder le texte original, en gardant conforme le flux XML.

<script><![CDATA[
if (chars > 140 && mode == tweet) {
    div.innerHTML = '<b>Attention !</b>, le {{140e}} caractère est dépassé !';
}
]]></script>

Un document bien formé respecte les contraintes formelles définies ci-dessus, il n'a pas de malformations. À ce stade, XML n'est pas un langage, car il n'a pas de vocabulaire et très peu de grammaire, ce serait plutôt une ponctuation, ou mieux, un métalangage. Les spécifications ci-dessus n'interdisent pas de constituer des structures absurdes et inutilisables par des applications.

<phrase titre-livre="XML idiot">
    <paragraphe>
        <chapitre>
            <toto>
                <livre>
                    <titi>Informatique sans bon sens n’est que ruine de l'âme et
perte de temps.</titi>
                </livre>
            </toto>
        </chapitre>
    </paragraphe>
</phrase>

En général, les balises XML ne sont pas inventées librement, mais selon les prescriptions d'un schéma dans une syntaxe informatique (DTD, Relax-NG, Schematron…) qui définit le dictionnaire des noms d'éléments et d'attributs, ainsi que la grammaire de leurs articulations. Lorsqu'un document XML déclare suivre un schéma et être en accord avec celui-ci, il est dit valide. On dit aussi « valider contre un schéma ». « Rendre valide » signifie la correction des erreurs dans un document XML qu'un schéma a repéré. C'est l'objet de la section suivante de montrer la quantité de langages pouvant employer la ponctuation XML, selon des schémas différents.

Le balisage de document est le métier initial d'XML. Les DTD SGML publiques comme TEI et Docbook l'ont adopté. XML aurait pu permettre l'apparition de nombreux autres schémas. On assiste plutôt à l'apparition de vocabulaires spécialisés, et combinables à l'exemple de la modularisation XHTML[11] :

• XHTML (eXtensible HyperText Markup Language), langage de balisage hypertexte ;
• Docbook, documentation technique, 1991 à 1997 O'Reilly, 1998 à … OASIS ;
• TEI (Text Encoding Initiative), balisage de textes académiques, 1987, 1994, 1999, 2002 ;
• EAD (Encoded Archival Description), description archivistique, 1993, 2002, Bibliothèque du Congrès ;
• NITF (News Interchange Text Format), échange d'articles de presse, 2000, 2002, IPTC ;
• NewsML (News Markup Language), balisage de dépêche de presse, 2000, 2002, IPTC.

XML s'est imposé comme format de référence pour l'échange de données, notamment de métadonnées. L'exemple d'un transfert d'informations entre bases de données relationnelles permettra d'illustrer les avantages et limites de ce format pour cet usage.

L'exportation d'une table peut se faire au format CSV. Mais ce format comporte vite des limites à grande échelle (Internet). Il n'est pas auto-documenté (encodage du texte, séparateurs, ordre et nom des colonnes). Il demande une documentation externe rarement automatisée entre les partenaires. Que faire lorsque les tables source et destination n'ont pas des structures identiques ? Pour cette raison, on peut préférer des échanges en SQL (à la fois langage de définition de données, langage de manipulation de données et langage de contrôle de données). Cependant, malgré de nombreux efforts de normalisation, SQL comporte beaucoup de risques d'incompatibilité entre les implémentations[12]. XML est une solution plus robuste. On peut en constater l'efficacité sur Internet avec la syndication de contenu. Il n'y a pas d'exemple connu d'échange de métadonnées réparties sur autant de clients et de serveurs.

Verbosité ? – Comparé à l'export CSV d'une table, XML réplique le nom de la colonne pour chaque cellule (une fois pour un attribut, deux fois pour un élément). Le poids du fichier généré est supérieur à celui d'un fichier CSV. Dans des contextes où la bande passante est coûteuse (exemple : téléphonie mobile) cela n'a pas semblé poser de problème (WML) car ces répétitions se compressent très bien (ZIP).

Traitement lourd ? – Traiter du XML demande des bibliothèques spécialisées (interpréteur XML). Cela n'ajoute pas vraiment du temps de développement supplémentaire, du moins pour des équipes formées. Pour des petites tâches, un parseur ligne à ligne est parfois plus simple. Mais si la donnée se destine à se complexifier, à s'échanger plus largement, il vaut mieux choisir XML dès le départ.

XML : données ou document ? – Cette section est l'occasion de marquer la distinction entre XML données et XML document. Il ne s'agit pas d'une différence dans la syntaxe, mais dans ses usages, ses outils et ses communautés d'utilisateurs. Par SGML, XML vient du document. On lui a reproché par exemple ne pas avoir (nativement) de typage fort. On rencontre un mouvement analogue mais contraire en SQL. C'est originellement un format de données, on lui demande de plus en plus de traiter du texte. (CMS LAMP). En ce qui concerne XML, cette opposition se traduit dans la direction des efforts de spécification (types de données XML Schema, XPath 2.0, XSLT 2.0) avec des réactions du monde documentaire (Relax NG).

• RDF (Resource Description Framework), réseaux de métadonnées, 1997 à 2006, W3C ;
• RSS (Rich Site Summary, RDF Site Summary et Really Simple Syndication), 1999 à … ;
• Atom Syndication Format, syndication, 2003, IETF ;
• OWL (Web Ontology Language), ontologies, W3C ;
• GML (Geography Markup Language), données géographiques, Open Geospatial Consortium ;
• Dublin Core, bibliographie ;
• MODS (Metadata Object Description Schema), bibliographie, Bibliothèque du Congrès ;
• METS (Metadata Encoding and Transmission Standard), échange de collection de fichiers, Bibliothèque du Congrès ;
• BiblioML, bibliographie, Bibliothèque nationale de France ;
• EbXML (Electronic Business using eXtensible Markup Language), commerce électronique, OASIS ;
• XBRL (Extensible Business Reporting Language), données comptables ;
• XMI (XML Metadata Interchange), échange de métadonnées.

Un processus XML complet comporte une étape de validation des documents. C'est le rôle d'un schéma de définir ces règles de validité. Faut-il que ce schéma soit en XML ? La question ne se posait pas en SGML, qui connaissait surtout les DTD, une syntaxe texte. Les limites rencontrées alors concernaient surtout la documentation des éléments et attributs déclarés (en). La documentation est très importante pour la réussite d'un standard XML. Celles de Docbook ou TEI constituent des livres complets, avec même des versions imprimées.

Ces communautés ont attendu avec impatience ce que donnerait XML Schema. Les nombreux outils de documentation automatiques qui sont apparus, avec un simple jeu d'XSLT, prouvent l'intérêt d'XML comme langage de description de format de document. Cependant, pour des choses simples, XML Schema s'est avéré difficile. Est-ce l'effet de trop de concessions ? Toujours est-il que malgré le nombre d'éditeurs derrière le W3C, la communauté est très intéressée par Relax NG, de James Clark. Ce modèle accepte une syntaxe XML, et depuis 2003, propose aussi une forme compacte, textuelle, qui n'est pas XML.

Autrement dit, il n'y a plus de réponse unique. Un schéma XML peut se définir dans un vocabulaire XML, ou autrement. L'évolution actuelle est de pouvoir combiner plusieurs langages de schémas, notamment le typage fort d'XML Schema, avec des motifs XPath pour Schematron, dans du Relax NG[13].

• DTD (Document Type Definition), description du modèle de document XML, ISO ;
• XML Schema, langage de schéma XML, 2001, W3C ;
• Relax NG (Regular Language for XML Next Generation), DSDL acceptant une forme XML et une syntaxe compacte, 2001, ISO ;
• Schematron, validation par motifs, 2001, ISO ;
• LOM (Learning Object Metadata), scorm 2004 spécifie que son fichier xml manifest doit être compatible avec le modèle de donnée SCORM LOM et le schéma XML.

Organisation d'un document au format OpenDocument : content.xml (contenu), styles.xml (apparence), meta.xml (à propos du document)

On vante souvent XML pour sa faculté de séparer contenu, présentation et traitement. Attention, XML rend cette séparation possible, mais il n'interdit pas de tout mélanger, comme dans certaines pages XHTML sur Internet. En tous cas, ce format extensible a prouvé qu'il pouvait conserver la présentation des documents pour les applications les plus exigeantes. La variété des applications l'utilisant en est la preuve.

• MathML, formules mathématiques, 1999, 2001, 2003, W3C;
• Office Open XML, documents bureautiques, Microsoft Office versions 2007 et 2008 ;
• OpenDocument, documents bureautiques ;
• LegalDocML / Akoma Ntoso (Legal Document Markup Language), documents juridiques ;
• SVG (Scalable Vector Graphics), graphiques vectoriels 2D, 2003, W3C ;
• SMIL (Synchronized Multimedia Integration Language), intégration multimédia, 1998, 2005, W3C ;
• XSL-FO (eXtensible Stylesheet Language - Formatting Objects), langage extensible de feuille de style-formatage d'objets, 2001, W3C ;
• X3D, 3D multimédia, consortium Web3D.

Dans de nombreuses applications, il est parfois pratique de développer un langage spécialisé, à usage local. Avec un schéma, un dialecte XML dispose d'une grammaire (un peu comme BNF). En guise de compilateur, il suffit par exemple d'une transformation XSLT qui génère du code Java, comme pour une bibliothèque de balises (taglibs). Cet exemple montre comment la syntaxe XML permet de définir des langages de programmation.

En théorie, la structure en arbre d'XML permet de représenter la hiérarchie d'un programme objets ou l'imbrication des instructions d'un langage impératif. En pratique, les boucles sont le cas limite à partir duquel XML devient trop verbeux. Par contre, cette écriture est remarquablement adaptée aux syntaxes déclaratives (configuration, définition d'interface), et même, popularise les algorithmes fonctionnels (XSLT, logique d'une application web).

Il en résulte que l'on trouve de plus en plus d'XML dans les logiciels. Dans certains frameworks de développement web, il est possible de monter une application complète et complexe, en n'éditant que du XML :

• XSLT (Extended Stylesheet Language Transformations), transformation de document XML, 1999, W3C ;
• XQuery, requête et transformation XML, 2005, W3C ;
• ANT, scripts de compilation, ASF ;
• Servlet, serveur d'application Java, configuration et logique fonctionnelle, Sun Microsystems ;
• Log4j, configuration d'une bibliothèque d'historique, 1996, 1999-2006, ASF ;
• UIML (User Interface Markup Language), définition d'interface utilisateur graphique, 1997, OASIS ;
• XUL (XML-based User interface Language), définition d'interface, 2000, Mozilla ;
• XAML, définition d'interface, 2006, Windows Vista ;
• MXML, Flex, définition d'interface, Macromedia ;
• Apache XSP (eXtensible Server Pages), génération de documents XML côté serveur.

Un protocole spécifie l'échange de contenus et d'instructions, entre un client et un serveur. HTTP est un modèle de protocole (qui n'est pas XML mais textuel). XML permet de baliser des contenus et d'écrire des instructions de programmation. L'universalisation de la connexion HTTP comme des interpréter XML explique pourquoi XML devient une solution courante pour créer un nouveau protocole.

• XForms, formulaires web, W3C ;
• OAI (Open Archive Initiative), protocole d'archives ouvertes, 2000, 2002, OAI ;
• SOAP, RPC par HTTP, W3C ;
• WSDL, services web, W3C ;
• WebDAV, lecture-écriture distante par HTTP, IETF ;
• XMPP (Extensible Messaging and Presence Protocol), messagerie instantanée et présence, multimédia, IETF.

Les langages associés à XML sont des syntaxes qui ne sont pas en XML mais très attachées à XML. CSS illustrera bien la notion. Il peut être contenu dans un attribut (@xhtml:style), dans un élément (<xhtml:style>), ou relié à un document XML par une instruction de traitement (<?xml-stylesheet href="common.css" type="text/css"?>). XPath fournit un autre exemple de spécification entièrement destinée à XML, mais qui est justement sans éléments ou attributs, afin d'être associé à un langage XML (XSLT).

• CSS (Cascading Style Sheets) ;
• DTD (Document Type Definition) ;
• Espace de noms (Namespace) ;
• SGML ;
• XPath et XQuery, langages de requête. XQuery possède aussi une syntaxe XML, XQueryX.

Une organisation qui a déjà son système d'informations, non basé sur XML, peut se demander comment produire du XML. Il existe de nombreuses manières de produire du XML :

• le traitement de texte – la plupart des logiciels bureautiques proposent un export XML, quand ils ne sont pas nativement XML (LibreOffice, Apache OpenOffice, Microsoft Word). Le plus simple est parfois d'enregistrer en HTML, récupérable moyennant un petit traitement. Il suffit de regarder les formats disponibles avec la fonctionnalité Enregistrer sous de son logiciel habituel ;
• le SQL – la plupart des SGBD proposent un export XML ;
• un éditeur XML est le meilleur moyen de faire produire par un humain un document correspondant exactement au schéma attendu.

Pour entrer dans un processus, un document XML doit rentrer dans un interpréteur dédié. Les parsers les plus répandus sont :

• libxml2, l'interpréteur XML libre du système d'exploitation linux, accessible en C, Python[14], PHP[15] et en Ruby[16] ;
• Xerces, XML Java Parser, le parseur XML par défaut d'une machine virtuelle Java, accessible en Java ;
• Expat, le parseur XML de James Clark, notamment embarqué par le navigateur Mozilla Firefox) ;
• MSXML (Microsoft Core XML Services), le parseur XML Microsoft, 2000-2006, intégré au système d'exploitation Windows, accessible aux langages Microsoft, notamment en JavaScript sur le navigateur Internet Explorer.

Il en existe beaucoup d'autres, en particulier en Java, adaptés à différents cas particuliers : ouvrir une API plus simple, accepter des documents mal formés comme HTML, traitements plus simples (notamment pour les documents longs).

Une fois « xmlisé », un document est accessible à différents langages, selon des API standardisées. On distingue généralement l'approche en mémoire, comme le DOM, et l'approche en flux (génération d'événements), comme SAX.

• DOM, Document Object Model, constitue un objet en mémoire de la totalité d'un document XML. Cette API permet l'accès direct à tous les nœuds de l'arbre (éléments, texte, attributs), pour les lire ou les modifier. Il est par exemple très utilisé sur les navigateurs web avec JavaScript. Cette norme est écrite par le W3C.
• SAX, Simple API for XML, est une alternative intéressante à DOM pour le traitement de documents longs. Quand un document entre dans un interpréteur XML, du code SAX peut capturer des événements, comme l'ouverture et la fermeture d'une balise, afin par exemple, d'écrire dans une base de données. À l'inverse, il est possible de générer des événements SAX, par exemple à partir de la lecture d'une base de données, afin de produire un document consommé par une autre étape d'un processus XML.

D'autres API existent, comme JDOM, dom4J (Java), ou StAX.

Un document XML peut être constitué de plusieurs fichiers, qui sont rassemblés au moment de l'analyse ci-dessus. Il y a deux normes actuellement concurrentes :

• les entités externes[XML 8], issues de SGML, résolues a priori par un parseur validant, avant tout traitement du document ;
• xinclude[17], un élément XML spécial, pouvant être traité comme une étape séparée.

Les spécifications et les implémentations privilégient maintenant xinclude, bien que son adoption ait pu être discutée[18].

Considérons l'exemple d'un catalogue de produits pour voir les effets de l'un et de l'autre. On aura chaque produit sous la forme d'un document XML, et un document maître qui assemble toutes les références. En entités, cela s'explique ainsi.

<!DOCTYPE catalogue [
    <!ENTITY article001 SYSTEM "articles/article001.xml">
    <!ENTITY article002 SYSTEM "articles/article002.xml">
]>
<!-- Un exemple d'inclusion par résolution d'entité externe -->
<catalogue xmlns="http://exemple.net/ns">
    <titre>catalogue</titre>
    &article001;
    &article002;
</catalogue>

On remarquera que les entités sont déclarées en entête de document, puis appelées par une écriture du type &entité;. Cette syntaxe est initialement prévue pour des raccourcis, afin de factoriser l'écriture de variables comme un nom de produit ou une société. Ce mécanisme a été étendu pour résoudre les problèmes d'encodage en ASCII avant l'Unicode. Ce sont les entités caractère comme é = &#E9; = é. Pour le cas d'une inclusion d'un fichier, cela demande deux déclarations, celle du lien, celle de son appel.

La résolution a priori des inclusions peut avoir des inconvénients, en particulier pour des documents maître très lourds que l'on peut vouloir travailler sans leur dépendances. Xinclude permet cela, ainsi que de générer ces relations automatiquement (XSLT).

<!-- Un exemple d'inclusion par xinclude -->
<catalogue
    xmlns="http://exemple.net/ns"
    xmlns:xi="http://www.w3.org/2001/XInclude"
>
    <titre>catalogue</titre>
    <xi:include href="articles/article001.xml"/>
</catalogue>

XML peut se présenter sous d'autres formes qu'un fichier, par exemple à l'intérieur d'une base XML native. La nature purement arborescente du format permet potentiellement de constituer des structures très importantes, non pas seulement chaînées comme un tableau très long, mais articulées, avec branches et sous-branches.

La validation est l'opération automatique qui vérifie la conformité d'un document XML à son schéma. Elle a pour but de délivrer des messages comme il n'y a pas de titre au chapitre 5, ou bien, la date de fabrication est dans le futur. La précision et la convivialité de cette vérification dépendent de la syntaxe utilisée.

En SGML, la validation s'effectuait toujours avant l'entrée d'un document XML dans un processus. On parlait de parser validant. Il n'y avait alors qu'un seul langage de validation (les DTDs) déclarés d'une seule manière à l'intérieur du document XML (la déclaration DOCTYPE, Type de document). La pratique a montré que la validation n'est pas toujours nécessaire, et même, contre performante. Dans d'autres cas, plusieurs étapes de validation peuvent être utiles, par exemple, une pour vérifier la structure de l'arbre XML, une autre pour vérifier les liens. L'évolution va vers une étape de validation distincte, déclarée à l'extérieur du document, et gérée selon les besoins du logiciel.

Le déploiement actuel des librairies rend la validation XML nativement accessible à la plupart des systèmes, et dans la plupart des langages de programmation :

• libxml2, validation DTD et Relax NG (le support XML Schema est partiel, surtout pour le typage de données au sein de Relax NG) ;
• Jing, un validateur qui n'est pas un parseur pour Relax NG et Schematron ;
• MSXML (Microsoft Core XML Services), validation DTD et XML Schema ;
• Xerces, validation DTD et XML Schema ;
• XSLT, une transformation permettant une validation très précise sur un type de document, c'est couramment utilisé dans une application web pour rendre à l'utilisateur des messages plus conviviaux, cet outil suffit aussi pour utiliser une implémentation Schematron.

La transformation est l'étape d'un processus XML qui prend un document dans un certain schéma pour le transposer dans un autre espace de noms. Soit un document textuel qui ne comporte que du contenu. Il sera nécessaire de lui ajouter au moins de la navigation avant de le diffuser sur Internet ; on en voudra aussi une version imprimée (PDF). La facilité de transformer un document XML, notamment avec XSLT, est une raison importante pour choisir ce format.

Autres technologies et théories intéressant XML :

• Langages de balisage
• SGML
• Identificateur de fragment
• Norme ISO/CEI 8859
• Norme ISO/CEI 10646
• CSS
• XLink
• OpenDocument, format pour les documents bureautiques basé sur XML
• XML Configuration Access Protocol
• MusicXML
• VRA Core 4.0

• W3C Recommendation: Extensible Markup Language (XML) 1.0 (Fifth Edition) (en)
• W3C Recommendation: Namespaces in XML 1.0 (Second Edition) (en)
• W3C Recommendation: xml:id Version 1.0 (en)
• W3C Recommendation: Extensible Markup Language (XML) 1.1 (Second Edition) (en)

• Spécification XML 1.1 (fr) (en)
• Spécification XML 1.0 (fr) (en)
• TEI Consortium, « v. A Gentle Introduction to XML », TEI P5: Guidelines for Electronic Text Encoding and Interchange, (en)
• Norman Walsh and Leonard Muellner, « Getting Started with SGML/XML », DocBook: The Definitive Guide (en)

• Portail de l’informatique
• Portail de l’édition numérique
• Portail du Web sémantique
• Portail de l’écriture