Comprendre les définitions du W3C

Version imprimable

27/07/2011, 18h46
unomadh

Comprendre les définitions du W3C

Bonjour !

Je suis un peu embêté ! Je me suis lancé dans le développement de mon propre parseur xml. J'ai donc attaqué la page de référence en la matière.

Premier écueil : les définitions, qui m'apparaissent étranges et d'une forme inconnue. ex:

Citation:

[1] document ::= ( prolog element Misc* ) - ( Char* RestrictedChar Char* )

En fait c'est cette définition qui me pose problème pour l'instant (c'est la première je sais :mouarf:). Que veut dire ce '-' ? qu'il faut exclure tout RestrictedChar entouré de 0 ou plus de Char de la parenthèse de gauche, c'est à dire de tout le document ? Si c'est bien ça, alors pourquoi plus loin, il est précisé ceci :

Citation:

XML processors MUST accept any character in the range specified for Char

(Or, Char inclut RestrictedChar...)

Pourriez vous m'aider à comprendre ces définitions ? je les ai d'abord prise pour des regexp mais c'est pas vraiment ça... et je n'ai trouvé nulle part d'explication sur cette syntaxe.

Merci :?
28/07/2011, 02h19
thelvin

Citation:

Envoyé par unomadh

Je suis un peu embêté ! Je me suis lancé dans le développement de mon propre parseur xml.

Le principal intérêt de XML est justement que faire cela est totalement inutile. Quelques thirdparties par technologie se font chier une bonne fois pour toutes à faire ça, et le reste du monde est tranquille.
Mais bon.

Citation:

Envoyé par unomadh

J'ai donc attaqué la page de référence en la matière.

Juste pour info, c'est XML 1.1, ça. Les différences avec XML 1.0 ne sont pas énormes, et du coup c'est assez peu utilisé.

Citation:

Envoyé par unomadh

En fait c'est cette définition qui me pose problème pour l'instant (c'est la première je sais :mouarf:). Que veut dire ce '-' ? qu'il faut exclure tout RestrictedChar entouré de 0 ou plus de Char de la parenthèse de gauche, c'est à dire de tout le document ?

Oui.

Citation:

Si c'est bien ça, alors pourquoi plus loin, il est précisé ceci :

Citation:

XML processors MUST accept any character in the range specified for Char

(Or, Char inclut RestrictedChar...)

Pourriez vous m'aider à comprendre ces définitions ? je les ai d'abord prise pour des regexp mais c'est pas vraiment ça... et je n'ai trouvé nulle part d'explication sur cette syntaxe.

Bien que relativement cohérente d'une spécification W3C à une autre, la syntaxe est en fait plus ou moins inventée pour les besoins de la description, dans le but de ressembler vaguement à une grammaire BNF. En avoir la clarté de schématisation, sans les inconvénients qui forcent à se plonger dans le détail.
Bref, cherche pas, elle n'est pas 100% rigoureuse : elle illustre, et la tartine de texte autour est là pour expliquer.
Oui, tu avais bien compris ce qu'elle voulait dire.

Alors, pourquoi, d'un côté on dit qu'il ne faut pas avoir de RestrictedChar, et de l'autre côté on dit qu'il faut accepter tout Char, bien que Char inclut aussi RestrictedChar ?
Eh bien, les deux ne parlent pas de la même chose. Il ne s'agit pas du même niveau d'acceptation.

- Le premier dit que, pour être bien formé, un document XML ne doit pas contenir le moindre RestrictedChar.
- Le second n'en est même pas à parler d'être bien formé. Il donne la définition de ce que c'est qu'un caractère. Et il dit donc, "un caractère, c'est la production Char. À partir du moment où c'est dans ces intervalles, c'est bien un caractère. On sait, certains code points ne sont pas associés à des caractères. Notamment l'intervalle des surrogates, et puis 0xFFFF. Ceux-là ne seront *jamais* associés à des caractères, et ne sont pas des Chars. Mais il y a des code points qui ne sont pas *encore* associés à des caractères, mais *il est prévu que ça le soit un jour*. Alors vous allez pas me jouer les cowboys en disant *ah, ma connaissance d'Unicode dit que ce codepoint n'est pas associé à un caractère, donc ce n'est pas un caractère.* Vous ne savez pas de quoi demain sera fait. Si un codepoint est dans l'intervalle indiqué pour Char, c'est un caractère, point final. Je vous dis pas de réfléchir je vous dis d'obéir."
Voilà, en gros, le pourquoi de la remarque.

La raison principale en est que, si les RestrictedChar ne doivent pas apparaître tels que dans un document XML, en revanche, en XML 1.1 ils ont le droit d'apparaître sous forme de référence de caractère. Par exemple, la notation  y est permise, et le document sera bien formé. Pourtant, le codepoint 1 est un RestrictedChar.

Alors déjà ton post n'a rien à voir avec XML. :P

Là ce qui te pose problème c'est la grammaire formelle définissant le langage XML.

Bon, j'en ai juste fait un peu en fac : c'est pas très complexe mais faut quand même bien s'impregner de la chose et ça paraît rebutant au départ (c'est des langages formels et de l'informatique théorique donc il y'a pas mal de notions mathématiques utilisées dans tout ce qu'on trouve là-dessus).

Si tu veux en savoir plus, je te conseille de t'intéresser aux grammaires formelles et aux notions de précédence (operator precedence).
Deux outils permettent aussi de générer un langage à partir d'une grammaire : lex et yacc (les deux sont inséparables et il existe des dérivations selon le langage utilisé).

Je te conseille la lecture de cette page : http://www.linux-france.org/article/devl/lexyacc/.

Si tu veux des réponses sur le forum, je te conseille ce forum là : http://www.developpez.net/forums/f41...gages-general/

PS :
Comme tu peux le constater à la lecture de ces documents, les grammaires contiennent très peu de token.
Tout doit donc être décrit lors de la définition d'une grammaire.

En l'occurence, "Char" et "RestrictedChar" sont décris ici :
Code:

1 2 [2] Char ::= [#x1-#xD7FF] | [#xE000-#xFFFD] | [#x10000-#x10FFFF] /* any Unicode character, excluding the surrogate blocks, FFFE, and FFFF. */ [2a] RestrictedChar ::= [#x1-#x8] | [#xB-#xC] | [#xE-#x1F] | [#x7F-#x84] | [#x86-#x9F]
Dans le cas présent, ça veut simplement dire que les charactères définis par "RestrictedChar" ne doivent pas être présents dans un fichier XML.
Ces "RestrictedChar" correspondent à tous les charactères de contrôle sauf (HT, LF, CR, NEL), comme tu peux le constater ici : http://fr.wikipedia.org/wiki/ISO_8859-15

PPS :
Si tu veux faire ton propre parseur XML, je te conseille vivement d'utiliser cette grammaire et des outils lex/yacc pour créer ton analyseur syntaxique. Toute autre démarche est source de bugs. Vlà un petit tuto sur ocamllex/ocamlyacc qui est relativement clair : http://www.irit.fr/~Armelle.Bonenfan...amlLexYacc.pdf

06/08/2011, 13h52
unomadh

Bonjour,

Merci grandement à vous deux pour vos réponses claires et instructives!

thelvin:
Oui, je sais que c'est XML 1.1, mais j'aimerais supporter les dernières normes ;)
Merci en tout cas pour ton éclaircissement.

Loceka:
Merci à toi de m'avoir répondu au sujet de la grammaire utilisée. Je ne connaissait pas tout ça et j'ai passé pas mal de temps avec lex et yacc, ça semble intéressant!
06/08/2011, 22h37
thelvin

Citation:

Envoyé par unomadh

thelvin:
Oui, je sais que c'est XML 1.1, mais j'aimerais supporter les dernières normes ;)
Merci en tout cas pour ton éclaircissement.

Je sais pas précisément quel est ton but. Mais je préfère signaler que :
- personne n'utilise XML 1.1, tout le monde utilise XML 1.0
- Si un document déclare qu'il est XML version 1.0, il doit être traité selon la recommandation XML 1.0 et non pas la 1.1. Cela est précisé dans la 1.1.
06/08/2011, 23h21
unomadh

Je le sais, mais merci à toi de le préciser tout de même ;)