SGML Declaration
SGML декларация определяет самый нижний, лексический уровень SGML-документа:
- используемый алфавит
- спецсимволы
- разделители
ПримерПравить
Рассмотрим основные части SGML-декларации, на основе этого минимального примера.
<code-xml> <!SGML "ISO 8879:1986"
CHARSET
BASESET "ISO 646-1983//CHARSET International Reference
Version (IRV)//ESC 2/5 4/0"
DESCSET
0 9 UNUSED
9 2 9
11 2 UNUSED
13 1 13
14 18 UNUSED
32 95 32
127 1 UNUSED
CAPACITY PUBLIC "ISO 8879-1986//CAPACITY Reference//EN"
SCOPE DOCUMENT
SYNTAX PUBLIC "ISO 8879-1986//SYNTAX Reference//EN"
FEATURES
MINIMIZE DATATAG NO OMITTAG NO RANK NO
SHORTTAG NO
LINK SIMPLE NO IMPLICIT NO EXPLICIT NO
OTHER CONCUR NO SUBDOC NO FORMAL NO
APPINFO NONE
> </code-xml>
Итак, сама SGML-декларация всегда кодируется в синтаксисе «Reference Concrete Syntax», т. е. состоит из набора ключевых слов, чисел и литералов, разделенных пробелами, символами табуляции и перевода строк и комментариями, которые начинаются и оканчиваются «--» (разделителем COM). Декларация начинается с заголовка содержащего литерал, указывающий версию стандарта. Правда сейчас версия стандарта всего одна (и маловероятно, что появится другая версия), поэтому, можно считать, что этот литерал должен всегда быть «ISO 8879:1986», что означает опубликованную в 1986, версию ISO стандарта № 8879. Далее рассмотрим остальные разделы.
CHARSETПравить
Определяет алфавит документов. Состоит из раздела «BASESET», определяющего базовый набор символов (алфавит), как правило это ASCII (т. е. ISO 646) и раздела «DESCSET» (described character set portion), определяющего правила отображения алфавита документа на базовый алфавит. DESCSET-правила просты, строчка «kk mm nn», означает, что диапазон символов с кодами в алфавите документа от kk до kk+mm-1 отображается на диапазон символов в базовом алфавите с кодами от nn до nn+mm-1. Третья колонка, кроме кода стартового символа в базовом алфавите, может содержать:
- константу «UNUSED»
- Это значит, что указанные символьные коды являются неопределенными, а соответствующие символы есть «non-SGML characters».
- строковый литерал
- Это значит, что символы с указанными кодами являются незначительными ("non-significant SGML data character"), т.е. могут встречаться в документе, но не могут нести никакой разметочной нагрузки, например, не могут служить разделителями. Так, следующая строчка позволит использовать в документах верхнюю половину ASCII-таблицы:
128 128 "High-order characters"
CAPACITYПравить
Определяет различные мощностные ограничения на свойства документа. Например, «ELEMCAP» ограничивает произведение числа различных SGML-элементов на свойство «NAMELEN» (см. #SYNTAX). Аналогичным образом, можно задать и другие ограничения: «ENTCAP», «ENTCHCAP», «ELEMCAP», «GRPCAP», «EXGRPCAP», «EXNMCAP», «ATTCAP», «ATTCHCAP», «AVGRPCAP», «NOTCAP», «NOTCHCAP», «IDCAP», «IDREFCAP», «MAPCAP», «LKSETCAP», «LKNMCAP». Можно использовать параметр «TOTALCAP», для ограничения сверху всех вышеупомянутых параметров.
Можно использовать «Reference Capacity Set»
CAPACITY PUBLIC "ISO 8879-1986//CAPACITY Reference//EN"
который установит все ограничения в 35000.
А можно и вовсе отключить эти ограничения:
CAPACITY NONE -- Capacities are not restricted in XML --
SCOPEПравить
Определяет, к чему будет применяться «concrete syntax», определяемый в следующем разделе (#SYNTAX) Тут всего два варианта:
- SCOPE DOCUMENT
- «concrete syntax» применяется целиком, ко всему SGML-документу, включая «document type declaration».
- SCOPE INSTANCE
- «concrete syntax» применяется только к части документа, следующей за прологом, т. е. не применяется к «document type declaration».
SYNTAXПравить
Определяет «concrete syntax».
Стандартные синтаксисыПравить
Можно воспользоваться четыремя стандартными синтаксисами, определенными в стандарте SGML:
- the Reference Concrete Syntax
SYNTAX PUBLIC "ISO 8879-1986//SYNTAX Reference//EN"
- the Core Concrete Syntax
- отличается от «the Reference Concrete Syntax» отсутствием определений «Short Reference Delimiters».
SYNTAX PUBLIC "ISO 8879- 1986//SYNTAX Core//EN"
- the Multicode Basic Concrete Syntax
- отличается от «the Reference Concrete Syntax» наличием некоторого количества определений символов, подавляющих разметку.
SYNTAX PUBLIC "ISO 8879- 1986//SYNTAX Multicode Basic//EN"
- the Multicode Core Concrete Syntax
- отличается от «the Reference Concrete Syntax» наличием некоторого количества определений символов, подавляющих разметку и отсутствием определений «Short Reference Delimiters».
SYNTAX PUBLIC "ISO 8879- 1986//SYNTAX Multicode Core//EN"
Далее, стандартный синтаксис можно донастраивать, например, строка
SWITCHES 47 92
приведет к переносу смысла символа с кодом 47 («/») на символ с кодом 92 («\»). При этом (если использовался стандартный синтаксис) разделитель «ETAGO» (закрывающий тэг элемента) станет «\>» вместо «/>», а разделитель «NET» сменится с «/» на «\». Заметим, что это не простая трансляция одних символьных кодов в другие — значения строковых литералов, например, при этом не изменятся. Также это не «обмен», т. е. чтобы «обменять смыслы» двух символов, нужно соответственно повторить эту директиву, или продолжить:
SWITCHES 47 92 92 47
Cледующий пример, обменяет «стандартные» для всех SGML/XML разметок символы «<" и ">» на «{» и «}».
SYNTAX PUBLIC "ISO 8879-1986//SYNTAX Multicode Basic//EN" SWITCHES 60 123 123 60 62 125 125 62
Variant Concrete SyntaxПравить
Можно декларировать конкретный синтаксис, определив его «с нуля». Для этого, рассмотрим определение самого «The Reference Concrete Syntax»:
SYNTAX
SHUNCHAR CONTROLS
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 127 255
BASESET "ISO 646-1983//CHARSET International Reference
Version (IRV)//ESC 2/5 4/0"
DESCSET
0 128 0
FUNCTION
RE 13
RS 10
SPACE 32
TAB SEPCHAR 9
NAMING
LCNMSTRT ""
UCNMSTRT ""
LCNMCHAR "-."
UCNMCHAR "-."
NAMECASE GENERAL YES
ENTITY NO
DELIM
GENERAL SGMLREF
SHORTREF SGMLREF
NAMES SGMLREF
QUANTITY SGMLREF
SHUNCHARПравить
ISO 8879 требует избегать («Clause 4.297») «shunned» («опасных») символов, «поскольку некоторые системы могут ошибочно трактовать такие символы как управляющие». В этом разделе, перечисляются коды таких символов. Дополнительно, можно использовать ключевое слово «CONTROLS» в разделе «SHUNCHAR», что означает, что любой символ в алфавите документа, чей код является кодом управляющего символа, является «shunned» символом (в дополнении к перечисленным вручную). Так что раздел «SHUNCHAR» из предыдущего примера можно эквивалентно переписать в виде:
SHUNCHAR 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18
19 20 21 22 23 24 25 26 27 28 29 30 31 127 255
или
SHUNCHAR CONTROLS 255
Отсутствие «shunned» символов декларируется как:
SHUNCHAR NONE
The Syntax-Reference Character SetПравить
Алфавит конкретного синтаксиса, определяется аналогично алфавиту документа, через директивы BASESET и DESCSET. Вот пример «the syntax-reference character set» полностью эквивалентного ISO 646:
BASESET "ISO 646-1983//CHARSET International Reference
Version (IRV)//ESC 2/5 4/0"
DESCSET
0 128 0
FUNCTIONПравить
В этом разделе определяются функциональные символы, имеющие особую важность, при разборе SGML-документа. Обязательно определить «RE», «RS», «SPACE», причем именно в этом порядке, далее можно определять дополнительные именованные символы, например «TAB»:
FUNCTION RE 13
RS 10
SPACE 32
TAB SEPCHAR 9
причем для «дополнительных» именованных символов можно указывать их роль:
- SEPCHAR
- разделитель, «white space»;
- MSSCHAR
- «markup suppression character» — по сути «escape character», т. к. блокирует спецзначение у следующего за ним символа. Т.е. после обьявления
BACKSL MSSCHAR 92
- можно ввести амперсанд как «\&».
- MSOCHAR, MSICHAR
- также «markup suppression character», только «действующие на интервале». Так, после декларации
MSO MSOCHAR 96
MSI MSICHAR 36
- строчка
`<foo></foo>$
- будет интерпретирована как поток символов, без разбора на элементы.
- FUNCHAR
- нейтральный управляющий символ.
Коды символов в этот раздел можно вводить как численно (кроме трех упомянутых обязательных символов), так и с помощью механизма именованных ссылок, например:
&#SPACE;
NAMINGПравить
Этот раздел определяет символы, которые могут использоваться в именовании (элементов, сущностей и т. п.).
Например, этот блок объявляет, что имена могут быть алфавитно-цифровыми, начинаясь с буквы или цифры «7», могут содержать «.» и «-», причем имена, кроме имен entity, чувствительны к регистру.
NAMING LCNMSTRT "7"
UCNMSTRT "7"
LCNMCHAR "-."
UCNMCHAR "-."
NAMECASE GENERAL YES
ENTITY NO
Вообще, по умолчанию, имена являются алфавитно-цифровыми, начинающимися с буквы, но можно также начинать имена с символов встречающихся в литералах параметров «LCNMSTRT» и «UCNMSTRT», и использовать в именах символы из литералов «LCNMCHAR» и «UCNMCHAR». Парность параметров с префиксами «LC» и «UC» объясняется тем, что таким способом для «дополнительных разрешенных» символов определяется, кто из них «lower case», а кто «upper case» соответственно.
DELIMПравить
Если требуется использовать стандартные SGML-разделители, то достаточно сделать следующее:
DELIM
GENERAL SGMLREF
Таким образом, будут определены следующие стандартные разделители:
AND "&"
COM "--"
CRO "&#"
DSC "]"
DSO "["
DTGC "]"
DTGO "["
ERO "&"
ETAGO "</"
GRPC ")"
GRPO "("
LIT "
LITA ""
MDC ">"
MDO "<!"
MINUS "-"
MSC "]]"
NET "/"
OPT "?"
OR "|"
PERO "%"
PIC ">"
PIO "<?"
PLUS "+"
REFC ";"
REP "*"
RNI "#"
SEQ ","
STAGO "<"
TAGC ">"
VI "="
Если мы захотим переопределить некоторые разделители, то это также можно сделать,
учитывая, что длина строки-разделителя не должна быть больше LITLEN=240, и не должна состоять только из функциональных символов. Например, следующим образом мы меняем стандартные разделители «GRPO» и «GRPC», которые по умолчанию есть "(" и «)» на фигурные скобки:
DELIM GENERAL SGMLREF
GRPO "{"
GRPC "}"
Аналогично определяются SHORTREFы. Отказаться от них можно с помощью
SHORTREF NONE
А стандартный набор, включаемый строкой
SHORTREF SGMLREF
включает следующие определения:
SHORTREF NONE
"&#SPACE;" "&#TAB;" "&#RE;" "&#RS;"
"&#RS;&#RE;" "&#RS;B" "B&#RE;" "B&#RE;" "BB"
" "#" "%" "" "(" ")" "*" "," "-"
":" ";" "=" "@" "+" "[" "]"
"^" "_" "{" "|" "}" "~" "--"
Дополнительные shortrefы определяются следующим образом:
SHORTREF SGMLREF
"\"
"---"
NAMESПравить
Стандартный набор зарезервированых имен
ANY ATTLIST CDATA CONREF CURRENT DEFAULT DOCTYPE ELEMENT EMPTY ENDTAG ENTITIES ENTITY FIXED ID IDLINK IDREF IDREFS IGNORE IMPLIED INCLUDE INITIAL LINK LINKTYPE MS NAME NAMES NDATA MNTOKEN NMTOKENS MD NOTATION NUMBER NUMBERS NUTOKEN NUTOKENS O PCDATA PI POSTLINK PUBLIC RCDATA REQUIRED RESTORE SDATA SHORTREF SIMPLE STARTTAG SUBDOC SYSTEM TEMP USELINK USEMAP
включается следующей строчкой
NAMES SGMLREF
Можно переопределять зарезервированные имена (новые имена должны быть алфавитно-цифровые, возможно содержащие «.» или «-»):
NAMES SGMLREF
DOCTYPE DTD
ELEMENT EL
PCDATA TEXT
В этом примере, SGML-документы будут начинаться с «<!DTD», а не «<!DOCTYPE», декларации элементов — c «<!EL», а не «<!ELEMENT», а символьные данные — с «#TEXT», вместо rather «#PCDATA».
QUANTITYПравить
В этом разделе, схожим с #CAPACITY задаются (или переопределяются) численные величины-ограничения, на длины имен и литералов.
QUANTITY SGMLREF
NAMELEN 32
LITLEN 2048
В отличие от раздела #CAPACITY, если используется формула "QUANTITY SGMLREF", не требуется переопределять ни одну количественную величину. Если NAMELEN сделать меньшим 8, то необходимо переопределить все зарезервированные имена, чтобы уложиться в это ограничение.
FEATURESПравить
В этом разделе, должны быть перечислены все дополнительные SGML-свойства, причем обязательно в указанном порядке:
FEATURES
MINIMIZE DATATAG NO OMITTAG NO RANK NO
SHORTTAG NO
LINK SIMPLE NO IMPLICIT NO EXPLICIT NO
OTHER CONCUR NO SUBDOC NO FORMAL NO
Эти свойства деляться на три группы:
- свойства минимизации
- ссылочные свойства
- иные
Для разрешения свойств
- DATATAG
- OMITTAG
- RANK
- SHORTTAG
- IMPLICIT
- FORMAL
нужно заменить «NO» на «YES».
Для разрешения свойств
- SIMPLE
- EXPLICIT
- CONCUR
- SUBDOC
нужно заменить «NO» на «YES» и число, означающее число одновременно разрешенных активных простых ссылок, активных явных ссылок, активных конкурирующих или вложенных документов соответственно.
APPINFOПравить
Информация из этого раздела не используется при разборе, но передается приложению, получающему результат работы SGML-парсера. Соответственно, команда может быть либо
APPINFO NONE
либо задается какой-либо литерал:
APPINFO "xyz"
По крайней мере часть этого текста взята с ресурса http://lib.custis.ru/ под лицензией GDFL.Список авторов доступен на этом ресурсе в статье под тем же названием.