XML – Lenguaje de presentación de datos Tema 2.

Documentos XML

2. Documentos XML
Como ya hemos visto en el capitulo anterior un documentos XML no es más que un fichero de texto
donde la información viene etiquetada. Este fichero está compuesto por una serie de elementos
definidos en la recomendación XML de W3C. Estos documentos pueden ser leídos por personas (en
un bloc de notas o en un navegador) o por sistemas que sacan información del documento XML.
Normalmente para que lo lea un ordenador el fichero deberá cumplir una serie de reglas para que la
aplicación que lo lea sea capaz de interpretarlo, los documentos XML que cumplen estas reglas se
dice que son documentos bien formados.
Objetivos.
Conocer los elementos que conforman un documentos XML. Aprender a crear documentos XML
para guardar información. Crear documentos XML bien formados para que estos puedan ser leídos
e interpretados por otros sistemas.
Contenidos.
2.1. Estructura del documento XML
2.2. Codificación de los documentos
2.3. Elementos
2.4. Atributos
2.5. Identificación de los elementos
2.6. Uso de elementos o de atributos
2.7. Caracteres especiales
2.8. Comentarios e instrucciones de proceso
2.9. Documento bien formado
2.10. Ejercicios

2.1. Estructura del documento XML

Un documento XML está formado por una mezcla de datos e información de etiquetado sobre los
mismos. La información de etiquetado se corresponde con el texto que aparece encerrado entre los
caracteres ‘<’ y ‘>’ o entre ‘&’ y ‘;’. El juego de caracteres usado en un documento XML se
corresponde con el estándar ISO 10646, denominado Universal Character Set. Más adelante, en el
apartado dedicado a la codificación del documento, se estudian con más detalle los aspectos
relacionados con este tema. Es importante resaltar que XML distingue entre mayúsculas y
minúsculas, tanto en los datos como en el etiquetado. Por ejemplo, las etiquetas <name> y
<NAME> son completamente diferentes. También es conveniente aclarar que en XML a diferencia
de HTML los espacios en blanco usados en el documento son significativos, de hecho, en el
estándar se especifica que el parser debe entregarlos a la aplicación. Por lo que se refiere a la
estructura lógica, el documento puede incluir un prólogo con la siguiente información.
• La declaración XML, que es de carácter opcional. Pero muy conveniente.
• Una declaración de tipo de documento (DTD). Es opcional. Más adelante veremos en detalle
los DTD. Solo anticipar que sirven para validar documentos XML.
En la declaración XML a su vez debe aparecer:

1 De 11
XML – Lenguaje de presentación de datos Tema 2. Documentos XML

• La versión XML, usada en el documento. Normalmente la 1.0. este atributo es obligatorio.

• El tipo de codificación utilizada (encoding). Si no aparece esta información se supone la
codificación por defecto. (Ver punto 2.2).
•Carácter autónomo (standalone) del documento. Indica si hay declaraciones de etiquetado
externas al documento (standalone = ”no”). O si el documento es autocontenido (standalone
=”yes”). No es obligatorio.
Un ejemplo de declaración XML completa:
<?xml versión=”1.0” encoding=”UTF-8” standalone=”yes”?>

2.2. Codificación de los documentos

Como se acaba de comentar, XML usa el estándar de representación ISO 10646. Se trata de un
estándar que engloba a todos los anteriores (como, por ejemplo, UNICODE) y que gracias al uso de
31 bits para la codificación de cada carácter, permite representar cualquier lenguaje humano
conocido. Este estándar está en continua revisión y contiene más de setenta mil caracteres
diferentes. Pero, el uso directo de este estándar conlleva consigo la incompatibilidad con las
herramientas actuales y la producción de archivos de gran tamaño. Por ello, en vez de usar la
codificación directa usando 4 bytes (denominado UCS-4) se han definido representaciones
alternativas como UTF-8. Esta codificación representa los caracteres ASCII con un solo byte, lo que
asegura compatibilidad y un tamaño reducido en los documentos que contengan sólo información
tipo ASCII.
Hay que resaltar que en UTF-8 los caracteres del castellano no incluidos en ASCII (vocales
acentuadas, eñe, etc.) ocupan 2 bytes. Debido a ello, en muchos entornos de edición en castellano se
usa por defecto la codificación ISO-8859-1 o Latín 1. Se trata de una extensión de ASCII englobada
también en la ISO 10646, que codifica los caracteres especiales de las lenguas europeas
occidentales en un solo byte. Sin embargo, el estándar XML no requiere que un procesador sepa
interpretar esta representación, siendo necesario, además indicarlo el principio del documento en la
declaración XML.
En cualquier caso, siempre se puede incluir cualquier carácter del juego definido por ISO 10646,
aunque sea indirectamente, mediante el mecanismo denominado referencias a carácter. Una
referencia a carácter especifica el valor numérico del carácter ISO 10646 deseado, A continuación,
se muestra el formato de esta referencia a carácter, para el caso que el número sea decimal o
hexadecimal respectivamente:
• &#código_decimal;
• &#xcódigo_hexadecimal;
La preferencia siempre será utilizar un editor convencional para crear los documentos XML en
formato ISO-8859-1 (también conocido como ISO-latin-1). Aunque en este caso será obligatorio
incluir el atributo encoding en el encabezamiento del documento. Con este formato podremos
utiliza los caracteres especiales como las vocales acentuadas o las eñes. También existe el ISO-
8859-15 (ISO-latin-15) que es igual que el ISO-8859-1 pero incluye además con el símbolo €.

2 De 11
XML – Lenguaje de presentación de datos Tema 2. Documentos XML

2.3. Elementos
Un documento XML está formado por una jerarquía de elementos a partir de un elemento raíz
único. Se podría definir el elemento como el componente semántico básico de un documento. Un
elemento consta de una etiqueta de inicio, un contenido y una etiqueta de fin. Es importante resaltar
que cada dato de un documento tiene que formar parte del contenido de algún elemento. La sintaxis
de la etiqueta de inicio es <NombreElemento> y la de fin es </NombreElemento>.
El nombre de un elemento debe empezar por una letra o el carácter subrayado, seguido por letras,
dígitos, el carácter punto, el carácter guión o el carácter subrayado. Además, el nombre no deberá
comenzar por la cadena XML, ya sea en mayúsculas o en minúsculas. Estas son las características
de un nombre XML válido que también se aplican a atributos y entidades como veremos más
adelante. Como ya vimos en el primer tema los elementos se pueden clasificar según el contenido
en:
• Elementos vacíos. Como <BR/> o <HR/> de HTML.
• Elementos que solo contienen texto.
• Elementos que contienen otros elementos.
• Elementos que contiene texto y otros elementos.

2.4. Atributos
Un atributo representa una información complementaria asociada a un elemento. Aparece en la
etiqueta de inicio o en la de elemento vacío. Cada elemento puede tener una lista de atributos
asociada, en la que el orden es intrascendente pero no pueden aparecer atributos repetidos. Un
atributo consiste en una pareja de nombre y valor, donde el valor debe aparecer encerrado entre
comillas simples o dobles., siguiendo la siguiente sintaxis:
<elemento atrubuto1=”valor1” atributo2=”valor2”>
Por ejemplo:
<peso unidad=”gramos” precision=”0,01”>5,73</peso>
El nombre del atributo al igual que el del elemento debe tratarse de un nombre XML válido.

2.5. Identificación de los elementos

Cuando se confecciona un documento, hay que empezar identificando cuáles son los elementos que
aparecerán en el mismo. Esta descomposición en elementos no es algo que se pueda hacer de forma
automática, sin que tenga una única solución válida. Una determinada solución puede ser más o
menos adecuada dependiendo del uso que se vaya a hacer del documento. Para aclarar estas
consideraciones, se plantea a continuación un ejemplo sencillo pero que permite observa la
dimensión del problema.
Supóngase que se pretende incluir el nombre de una persona en un documento. Se plantean varias
alternativas:

3 De 11
XML – Lenguaje de presentación de datos Tema 2. Documentos XML

<nombre>Juan Martín Fernández Moreno de la Vega </nombre>

<nombre>
<nombre_pila>Juan Martín</nombre_pila>
<apellidos>Fernández Moreno de la Vega</apellidos>
</nombre>
<nombre>
<nombre_pila>Juan Martín</nombre_pila>
<primer_apellido>Fernández</primer_apellido>
<segundo_apellido>Moreno de la Vega</segundo_apellido>
</nombre>
Revisando las alternativas se observa que se ha ido ganando en contenido semántico pero también
en complejidad, dado que hay que incluir más etiquetas.
¿Cuál es la mejor solución? Esta pregunta no tiene una respuesta directa. Depende de lo que luego
tengamos que hacer con el documento. Si posteriormente en el tratamiento del documento siempre
vamos a trabajar con el nombre como un todo (sin diferenciar partes) obviamente la primera
solución es la óptima. Pero si necesitamos procesar apellidos y nombre por separado la primera
solución es la peor de las tres. Por lo tanto para determinar los elementos que van a formar parte del
documento XML exige tener una idea preestablecida de los tipos de procesamiento que se que
prevén se van a realizar sobre el documento.
Ahora hay que tener presente una cosa. Si vamos a procesar el nombre entero efectivamente la
primera solución es la mejor de las tres, pero, ¿y si en un futuro nos piden un nuevo procesamiento
donde es necesario separar nombre y apellidos? Seguramente nos vamos a encontrar con problemas
ya que hay muchos nombres como el del ejemplo donde es difícil determinar dónde comienza y
dónde termina cada elemento. Pero si aunque en un principio no era necesario que hubiéramos
elegido la tercera opción, ahora separar en el procesamiento el nombre y los apellidos es muy
sencillo (es más ya lo tenemos).
Por lo tanto a la hora de escoger los elementos no solo hay que ver las necesidades presentes de
procesamiento sino intentar anticiparse a posibles necesidades futuras dotando de la mayor
semántica posible a nuestro documento. Un consejo es, que siempre que dudemos, debemos asignar
un elemento diferente a la información en cuestión.

2.6. Uso de elementos o de atributos

Otra pregunta que surge cuando se diseña un documento XML es cuándo usar elementos y cuándo
atributos. Supóngase por ejemplo, un documento que contiene las transparencias de una
presentación. Parece lógico que cada transparencia incluya un título, ¿Se debe crear como elemento
o como atributo?
<transparencia><título>Uso de elementos o atributos</título>…</transparencia>
O

4 De 11
XML – Lenguaje de presentación de datos Tema 2. Documentos XML

<transparencia titulo=”Uso de elementos o atributos”>…</transparencia>

Aunque no se puede dar un criterio válido para todos los casos si podemos dar algunas pautas que
ayuden a tomar una decisión:
• Si la información tiene una estructura interna debe ser un elemento
• Si contiene una gran cantidad de información, parece más adecuado, un elemento
• Podemos hacer el símil que un elemento es un sustantivo y un atributo un adjetivo
• Los mecanismos de procesamiento y presentación de documentos, permiten tener mejor
control sobre los elementos. Por tanto aquella información que tenga un procesamiento o
presentación complejos debe ser un elemento.
Aplicando estas pautas podemos concluir que el título de la transparencia debe ser un elemento,
tiene carácter sustantivo y debe ser presentado al usuario. Como contra-ejemplo imaginemos que
queremos incluir para cada transparencia información sobre el tiempo que le debemos dedicar
(poco, medio, mucho). Esta información no tiene carácter sustantivo y no tiene porqué ser
presentada, por tanto, puede ser perfectamente un atributo.
Como consejo final, en caso de duda, se debe utilizar un elemento.

2.7. Caracteres especiales

Si observamos el siguiente ejemplo:
<comparacion>6 es < 7 & 7 > 6</comparacion>
Si visualizamos el texto anterior con un navegador nos dará un error ya que al encontrarse con el
carácter ‘<’ espera una etiqueta y no un carácter en blanco.
Existen varios caracteres que tienen un significado especial (<, &, >, ‘ y “). ¿Qué ocurre si se
requiere incluir uno de estos caracteres dentro del documento XML? En el caso que pueda existir
algún tipo de ambigüedad, será necesario establecer un mecanismo que permita distinguir si el
carácter debe interpretarse como especial o no.
Veamos una primera manera de indicar que no se interprete como especiales ninguno de los
caracteres de un texto: las secciones CDATA.
<lista>
<nombre>John Doe</nombre>
<correo><![CDATA[<jdoe@[Link]>]]</correo>
</lista>
En el ejemplo, la sección CDATA, que se inicia con la cadena <![CDATA[ y termina con ]], hace
que no se interprete como etiquetas el texto que contiene.
En general nos podemos encontrar con los siguientes casos:
• Los caracteres < y & siempre se interpretan como especiales, excepto en secciones
especiales CDATA y comentarios. Si se quiere que tengan un significado especial se deben
utilizar referencias a carácter.
• No se puede incluir la secuencia ]]> excepto como indicación de final de una sección

5 De 11
XML – Lenguaje de presentación de datos Tema 2. Documentos XML

CDATA. Si se quiere utilizar dicha secuencia habrá que utilizar la referencia a carácter
correspondiente a >.
• Los caracteres ‘ y “ no pueden aparecer en valores y atributos que usen como delimitador el
mismo tipo de comillas. Para resolverlo utilizaremos como delimitador el carácter contrario
al que necesitamos incluir en el texto. Si necesitamos los dos tipos de comillas tendremos
que recurrir a las referencias a carácter.
Aunque en caso de conflicto se puede utilizar la referencia a carácter (&#código-decimal;), es
recomendable usar las entidades predefinidas que representan a estos caracteres:
Entidad Carácter Entidad Carácter
&lt; < &gt; >
&amp; & &apos; ‘
&quot; “ &aacute; á

En siguiente enlace de wikipedia:

[Link] podemos
encontrar las referencias a carácter más habituales en nuestro idioma.

2.8. Comentarios e instrucciones de proceso

Los comentarios en XML siguen la misma sintaxis que en HTML:
<!-- esto es un comentario -->
Por los que se refiere a instrucciones de proceso, estas permiten especificar en un documento el
nombre de una aplicación, así como los datos que se le pretenden pasar como argumentos a la
aplicación.
<?aplicación datos?>
El parser proporciona esta información al programa que procesa el documento que la tratará como
considere oportuno, por ejemplo arrancando dicha aplicación y pasándole los parámetros indicados.
El uso de PI (Process Instructions) es muy poco frecuente y, en general, en la comunidad XML se
suele evitar su uso. Pero si existe una buena razón se puede utilizar. Por ejemplo, podemos utilizar
las PI para colocar la clase de información que colocamos en los comentarios de HTML, como
código de javascript. De esta forma nos aseguramos que esta información se la pasa el parser a la
aplicación.
La declaración XML (<?xml ….?>) aunque por su sintaxis pueda parecerlo no es una PI. Pero hay
que tener en cuenta que si incluimos esta declaración en otro lugar que no sea al principio del
fichero XML está puede ser tomada como una PI.

2.9. Documento bien formado

Sin la presencia de un DTD, no se puede comprobar la validez de un documento, sólo se puede
comprobar si está bien formado. A continuación se enumeran algunas reglas que deben cumplpir un
documento para que se le considere bien formado:

6 De 11
XML – Lenguaje de presentación de datos Tema 2. Documentos XML

• Los elementos deben esta anidados adecuadamente.

• Los valores de los atributos deben encerrarse entre comillas simples o dobles.
• Todo elemento debe tener una etiqueta de fin o utilizar la etiqueta de elemento vacío.
• El elemento debe tener un único elemento raíz.
• Todo texto debe estar incluido en un elemento.

7 De 11
XML – Lenguaje de presentación de datos Tema 2. Documentos XML

2.10. Ejercicios
El primer ejercicio viene resuelto para que sirva de guía para resolver los siguientes.

[Link]
Imaginemos un concesionario de coches que periódicamente debe enviar información sobre los
vehículos que tiene en oferta a un portal publicitario de compra-venta de coches. La información
que debe enviar es:
• La marca • Precio original
• El modelo • Precio oferta
• Motor • Extras
• Matrícula • fotos
• Kilómetros
Un documento XML bien formado que contenga esta información puede ser el siguiente:
<?xml version="1.0" encoding="ISO-8859-1"?>
<oferta>
<vehiculo>
<marca>ford</marca>
<modelo color="gris">focus</modelo>
<motor combustible="gasolina">duratorc 1.4</motor>
<matricula>1234AAA</matricula>
<kilometros>12500</kilometros>
<precio_inicial>12000</precio_inicial>
<precio_oferta>10000</precio_oferta>
<extra valor="250">pintura metalizada</extra>
<extra valor="300">llantas</extra>
<foto>[Link]</foto>
<foto>[Link]</foto>
</vehiculo>
<vehiculo>
<marca>ford</marca>
<modelo color="gris">focus</modelo>
<motor combustible="diesel">duratorc 2.0</motor>
<matricula>1235AAA</matricula>
<kilometros>125000</kilometros>
<precio_inicial>10000</precio_inicial>
<precio_oferta>9000</precio_oferta>
<extra valor="250">pintura metalizada</extra>
<extra valor="200">spoiler trasero</extra>
<extra valor="500">climatizador</extra>
<foto>[Link]</foto>
<foto>[Link]</foto>
</vehiculo>
</oferta>

8 De 11
XML – Lenguaje de presentación de datos Tema 2. Documentos XML

Este documento podemos abrirlo con un navegador por ejemplo firefox y veríamos la siguiente
imagen. Los navegadores actuales traen implementados parsers de XML por lo tanto podemos
utilizarlos para ver que los XML están bien formados. Si por ejemplo en el documento anterior
hubiéramos cometido algún error como puede ser no cerrar una etiqueta o escribir erróneamente el
nombre de una etiqueta el navegador nos hubiera informado con un error.

2.10.2. Libros
Tenemos que mostrar información sobre libros en nuestra página web. Nos ofrecen un servicio
donde a partir de un tema nos devolverán un fichero XML con información de los libros
encontrados en diferentes librerías electrónicas relacionados con esa temática. Nos piden que
escribamos un documento XML bien formado como ejemplo. Para lo cual se pide escribir un
documento XML con información de libros encontrados en varias librerías electrónicas (amazon, y
la casa del libro por ejemplo) sobre la temática 'XML'. Como mínimo sobre cada libro
necesitaremos:
• Su código ISBN • La editorial
• Su título • La fecha de publicación
• El nivel de profundidad en el • La página web del libro en caso de
tratamiento de la materia que tenga.
(básico, intermedio avanzado)
• El precio
• Los autores

9 De 11
XML – Lenguaje de presentación de datos Tema 2. Documentos XML

En el documento XML pondremos información de al menos dos librerías, y para cada librería al
menos información de 3 libros.

2.10.3. CD música
Escribir un documento XML bien formado para almacenar la información de los CD's contenida
en las siguientes imágenes. El documento XML debe contener la mayor información posible.

10 De 11
XML – Lenguaje de presentación de datos Tema 2. Documentos XML

11 De 11