6. diel - Úvod do formátu XML súborov v Jave

V predchádzajúcom cvičení, Riešené úlohy k 1.-5. lekciu práce so súbormi v Jave, sme si precvičili získané skúsenosti z predchádzajúcich lekcií.

V dnešnom Java tutoriále sa zameriame na formát XML.

Najprv si tento formát popíšeme a potom si ukážeme triedy, ktoré nám Java poskytuje na jeho čítanie a zápis.

Formát XML

Teraz vás zahrnu množstvom pojmov, keď niečomu nebudete rozumieť, vôbec to navadí, všetko si tu ešte preberieme

XML (eXtensible Markup Language) je značkovací jazyk, ktorý vyvinulo W3C (organizácia, ktorá má na starosti webové štandardy). XML je veľmi univerzálny a je podporované množstvom jazykov i aplikácií.

Slovo extensible (rozšíriteľný) označuje možnosť vytvoriť si pomocou XML vlastný jazyk, tým je napr. XHTML pre tvorbu webových stránok. XML je jazyk samopopisovací. Zo štruktúry spoznáme, čo ktorá hodnota označuje.

Zatiaľ čo pri CSV formáte sa môžeme len domnievať, čo je tá tretia osmička, v XML by nám bolo hneď jasné, že je to počet článkov používateľa (napríklad). Nevýhodou formátu je samozrejme jeho väčšia veľkosť, čo nám však vo väčšine prípadov nevadí.

Osobne takmer vždy pri výbere formátu siaham po XML, hodí sa napr. na uloženie konfigurácie programu, hiscore hráčov hry alebo k menšej databáze užívateľov. Vďaka XSD schémam ho môžeme jednoducho zvalidovať a predísť chybám pri behu programu.

XML je možné spracovávať hneď niekoľkými spôsobmi. Obvykle jednoduchým kontinuálnym čítaním/zápisom alebo pomocou objektovej štruktúry DOM. Došlo to tak ďaleko, že nám niektoré nástroje umožňujú s XML dokumentom pracovať ako s databázou a volať nad ním dotazy (používa sa na to jazyk XPath alebo SQL). Asi si dokážete predstaviť, že to uľahčí prácu.

XML konkuruje jednoduchšie, ale menej presadený JSON. Ten na rozdiel od XML umožňuje ľahké logovanie na koniec súboru bez načítania celého dokumentu.

XML sa veľmi často používa na výmenu dát medzi rozdielnymi systémami (napr. desktopovou aplikáciou a webovou aplikáciou na serveri).

Pre XML existuje mnoho knižníc a každý nástroj ho pozná a vie s ním pracovať. S tým súvisia webové služby, SOAP a podobne.

Keď sme ukladali používateľa do súboru CSV. Ukladalo sa meno, vek a dátum registrácie. Hodnoty boli za sebou, oddelené bodkočiarkami. Každý riadok predstavoval jedného používateľa. Obsah súboru vyzeral teda asi takto:

John Smith;22;3/21/2000
James Brown;31;10/30/2012

Nezasvätený z toho nič veľmi nespozná, však? Urobme si teraz ekvivalent súboru vo formáte XML:

<?xml version="1.0" encoding="UTF-8" ?>
<users>
    <user age="22">
        <name>John Smith</name>
        <registered>3/21/2000</registered>
    </user>
    <user age="31">
        <name>James Brown</name>
        <registered>10/30/2012</registered>
    </user>
</users>

Teraz každý vidí, čo je v súbore uložené. Vek som tu uložil ako atribút len preto, aby som ukázal, že ich XML vie, inak by mohol byť ako element spolu s menom a dátumom registrácie. Teraz som teda vyzradil, že jednotlivým prvkom sa hovorí elementy. Tie určite všetci poznáte z HTML, ktoré vychádza z rovnakých základov ako XML. Elementy sú väčšinou párové, teda otváracie, potom nasleduje hodnota a uzatváracie s lomítkom. Elementy môžu obsahovať ďalšie elementy, štruktúra je teda stromová. Vďaka tomu nie je problém do jediného XML dokumentu uložiť celú hierarchiu objektov.

Na začiatku súboru je XML hlavička. Aby bol dokument validný, musí obsahovať práve 1 koreňový element, tu element users, v ktorom sú zabalené ďalšie elementy. Atribúty sa píšu za názov atribútu do úvodzoviek.

Určite vidíme, že súbor nám napučal. To je daň za to, že vyzerá pekne. Keby nemal používateľ atribúty len 3, ale napr. 30, bolo by vidieť, ako CSV formát prestáva stačiť.

Osobne sa s pribúdajúcimi skúsenosťami stále viac prikláňam k riešeniam, ktoré sú prehľadné a jednoduché, aj keď treba zaberajú viac pamäte (a to nielen v súboroch, ale aj v zdrojovom kóde). Nič nie je horšie, než keď programátor príde za rok k svojmu programu a vôbec nevie, čo je ten ôsmy parameter v CSV, kde je na riadku 100 nejakých čísel. Alebo čo je to päťrozmerné pole, ktoré je síce hrozne rýchle, ale keby si namiesto neho postavil objektovú štruktúru, nemusel by teraz písať program znova. Ale to som odbočil.

XML v Jave

Existujú dva základné prístupy ku XML. Kontinuálny prístup (tzv. SAX parser) a objektový prístup (DOM). Opäť máme v Jave viac spôsobov, ako s XML pracovať, existuje tu mnoho tried. Pokúsil som sa tu ukázať to najjednoduchšie a zároveň správne riešenie.

Parsovanie XML cez SAX

SAX (ako Simple API for XML) je vlastne jednoduchá nadstavba čítačky textových súborov. Zápis je pomerne jednoduchý, postupne zapisujeme elementy a atribúty tak, ako idú v súbore za sebou. Stromovú štruktúru tu teda ignorujeme. Java nám poskytuje triedu XMLStreamWriter, ktorá je ďalej obalená triedou SAXParserFactory. Tá nás odtieňuje od toho, že je XML textový súbor. Pracujeme iba s elementmi.

Čítanie prebieha podobne, ako zápis. XML teda čítame ako textový súbor, riadok po riadku, zhora nadol. SAX nám však nedáva riadky, ale postupne tzv. uzly (anglicky node), na ktoré pri čítaní postupne naráža. Uzol môže byť element, atribút alebo hodnota. V cykle uzly dostávame tak, ako idú v súbore za sebou. Na čítanie použijeme triedu XMLStreamReader.

Výhodou SAX je vysoká rýchlosť a pamäťová nenáročnosť. Nevýhody spoznáme, až tento prístup porovnáme s objektovým prístupom DOM.

V nasledujúcom kvíze, Kvíz - Práca s CSV súbormi a úvod do XML v Jave, si vyskúšame nadobudnuté skúsenosti z predchádzajúcich lekcií.