過去七年來，作為一名顧問、培訓人員和作者，我有幸從一個特殊的角度見證了 XML 的發展和成熟。
XML 最初出現的時候，組織和開發人員對這種新的“標記語言——不管它是什麼”彬彬有禮地保持懷疑態度。後來，隨著使用 XML 解決的問題越來越多，他們變得熱情起來。現在，很多開發人員和組織很自然地將 XML 納入他們的項目之中。
不幸的是，應用的增加帶來了濫用，從這個意義上說，XML 也反映了其他技術的采用過程。任何新技術的第一批用戶通常都滿懷熱情（如果要讓同事和客戶承認這項技術的價值就必須如此），但是他們可能也有懷疑，因此通常會花費時間來研究如何最好地實現這種新技術。
隨著技術的成熟，不斷地得到承認。當這項技術在越來越多的應用程序中使用時，出現的錯誤也越來越多。所幸的是，同時經驗也積累起來了：針對普遍問題經過測試的解決方案以及常見的陷阱出現並經過整理。
為了撰寫這四篇文章，我翻閱了自己的筆記查找反復出現的 XML 陷阱。我希望將其整理出來並給出解決的方法，幫助您避免成為這一技術常見問題的犧牲品。
首先從最基本的一層——XML 本身開始。堅持共同的語法是建立可靠應用程序的第一步。這一部分討論三個常見的問題：
解析器和字符轉義的使用
編碼
名稱空間
後續文章將探討如何可靠地使用 XML 文檔、如何驗證和測試 XML 文檔、如何建立 XML 和其他文件格式的接口，如圖像、視頻、字處理等等。
文雅的語法
第一節介紹 XML 語法的一些基本知識。如果對此已經非常精通，完全可以跳過這一節。
XML 語法很簡單：最基本的一點就是開標簽和閉標簽必須匹配。但是我希望以後不會再受到這樣的電子郵件，“我嘗試用這樣那樣的工具處理附件中的 XML 文檔，但是行不通，還有其他的工具嗎？”毫無例外的，我打開文檔後總能找到明顯的語法錯誤，比如沒有反斜槓的空標簽（應該是這樣： <empty/>）。如果文檔不完全符合 XML 語法，就不是一個 XML 文檔；如果不是 XML 文檔，XML 工具就不能處理它。XML 有一種非常精確而正式的語法。一個文檔要麼完全符合語法，要麼不被看作是 XML 文檔。僅此而已。
相反，有些應用程序可能不認可無安全有效的文檔。應用程序可能沒有完全實現該語法，因而無法識別，比方說字符實體（如 î）。
XML 的問題時看起來太簡單。編寫某個東西常常看起來比學習另一個組件更容易、更快捷。在封閉的環境中，應用程序讀取自己生成的文檔，這種方法可能奏效，但是在多個應用程序使用文檔的產品環境不大可能。
解決之道
所幸的是，使用 XML 解析器很容易避免這種問題。每種編程語言都由適用的 XML 解析器（即使 Cobol 都有強大的 XML 支持），沒有理由不使用。
作為開發人員，您有兩種選擇：XML 解析器或者編組組件。如果需要底層控制 XML 文檔的解碼，應該使用 XML 解析器。對於本文而言，解析器使用 DOM、JDOM、SAX 或 StAX 都沒有關系，但真正的 XML 解析器是正確讀取 XML 文檔的唯一保證。
如果不需要更多地控制解析過程，可以找到更方便的編組組件，如 JAXB、Castor 或 Axis。編組組件直接在 XML 標簽和 Java™ 對象之間映射。 JAXB 和 Castor 是為了處理文件中的文檔設計的，Axis 用於 Web 服務。編組組件內嵌有 XML 解析器，可以確信它們完全實現了語法。
雖然建議使用解析器讀取 XML 文檔，如果自己實現了寫文檔例程，也可以避開解析器。讀取 XML 文檔是一項復雜的任務，因為讀者必須支持完整的語法，但是寫 XML 文檔相對容易一些，因為可以避開語法的一個子集：如果不需要屬性，就不需要支持屬性；如果不需要多種編碼，就不需要支持多種編碼，依次類推。
這裡唯一的陷阱是需要正確地轉義保留字符（參見表 1）。特別要注意實體字符（如 î），因為它們依賴於文檔編碼（請參閱“編碼的問題”）。
表1. 保留
字符 轉義序列 說明 < < & & > > ' ' 僅用於屬性，如果使用 " 作為分隔符 " " 僅用於屬性，如果使用 ' 作為分隔符 其他 &#unicode; 當前編碼中不支持的任何字符類似 清單 1 所示的一個簡單循環通常就足夠了。更有效的實現該功能是可能的，但如果寫入 UTF-8 或 UTF-16 流，清單 1 在語法上是有效的（否則，還需要將某些字符轉義成字符實體）。
清單 1. 繁瑣的轉義實現
// assumes UTF-8 or UTF-16 as encoding,
public String escape(String content)
{
StringBuffer buffer = new StringBuffer();
for(int i = 0;i < content.length();i++)
{
char c = content.charAt(i);
if(c == '<')
buffer.append("&lt;");
else if(c == '>')
buffer.append("&gt;");
else if(c == '&')
buffer.append("&amp;");
else if(c == '"')
buffer.append("&quot;");
else if(c == ''')
buffer.append("&apos;");
else
buffer.append(c);
}
return buffer.toString();
}
有些開發人員更喜歡 CDATA 節而非轉義。CDATA 是表明某一部分文檔可能包含非轉義保留字符的一種機制。比如，<condition><![CDATA[a > 4]]></condition>。本系列的第三篇文章中，我還將討論 CDATA 節，現在只要知道它們比轉義更安全就足夠了，因為 CDATA 節不能包含另一個 CDATA 節。
更靈活的解決之道是求助於轉換程序，請參閱我的技巧文章“Implement XMLReader”（developerWorks）。
其他方法
如果必須和違反 XML 語法的應用程序打交道，又無法說服開發人員修改他/她的應用程序，怎麼辦呢？
我發現，更好的辦法是認為這類應用程序根本不生成 XML，增加一個步驟將這種不正常的 XML 轉化成正確的 XML。為什麼要增加一個步驟呢？因為這樣可以隔離不符合標准的地方，能夠使用任何 XML 工具進行後續的處理。
編碼的問題
編碼的使用可能帶來更嚴重的問題。開發人員常常忽視了一個問題，編碼沒有限制 XML 支持的字符集。每個 XML 文檔都支持完整的 Unicode 字符集（XML 1.1 中是 16-bit 或 32-bit 字符）。
對 XML 文檔編碼可以縮小文檔的大小，但是並沒有限制文檔使用特定的 Unicode 子集，這要感謝字符實體。事實上，通過字符實體，可以插入 Unicode 編碼表中的任何字符，即使文檔是用最嚴格的編碼（US-ASCII，只適合四種語言：English、Hawaiian、Latin 和 Swahili）。
這是一個問題，因為 Java 應用程序或者最新版本的 DB2® 可能支持 Unicode，但是很少有遺留系統也支持 Unicode。因此如果 XML 流進入遺留應用程序，可能需要解決 Unicode 的問題。為了避免誤解，我們再說明一次，強制采用某種編碼不能解決問題，因為如上所述，可以將特殊字符轉義成字符實體。
因為很少有可能重寫遺留系統，就需要某種轉換例程將 Unicode 字符轉化成應用程序能夠接受的字符集，比如將“î”轉化成直接的“i”（去掉抑揚符號）。多數 XML 解析器都提供了操縱 Unicode 字符的例程。
名稱空間問題
本文中第三個也是最後一個問題的來源是 XML 名稱空間。
引入名稱空間是為了管理 XML 詞匯表，避免標簽同名。不同上下文中的兩個詞匯表常常使用同一個標簽。比如，消息詞匯表中可能包含 subject、date、from、to 和d body 這類標簽（參見 清單 2），而數字資產詞匯表可能包含 subject、date、description、camera 和 frame number 這類標簽（參見清單 3）。
清單 2. 消息詞匯表
<envelope>
<subject>Test memo</subject>
<date>April 26, 2005</date>
<from>[email protected]</from>
<to>[email protected]</to>
<body>memo body goes here</body>
</envelope>
清單 3. 數字資產詞匯表
<photo>
<subject>Westlicht Museum of Camera and Photography, VIEnna</subject>
<date>April 25, 2005</date>
<description>Lobby of the museum</description>
<camera>Nikon D70</camera>
<frame>5643</frame>
</photo>
數字資產如果通過消息平台發送就會出現沖突，因為軟件混淆了兩個詞匯表中的 subject 和 date 標簽。換句話說，標簽名不是全局標識符。
XML 名稱空間通過在標簽名前增加全局標識符將本地名轉化成全局名。為了保證全局標識符的唯一性，全局標識符必須是 URI（就是說很可能包含注冊的域名以保證唯一性）。結果如清單 4 所示。
清單 4. 組合詞匯表
<env:envelope XMLns:env="http://psol.com/2005/env"
XMLns:ph="http://psol.com/2005/photo">
<env:subject>Latest photo</env:subject>
<env:date>April 27, 2005</env:date>
<env:from>[email protected]</env:from>
<env:to>[email protected]</env:to>
<env:body>
<ph:photo>
<ph:subject>Westlicht Museum
of Camera and Photography, VIEnna</ph:subject>
<ph:date>April 25, 2005</ph:date>
<ph:description>Lobby of the museum</ph:description>
<ph:camera>Nikon D70</ph:camera>
<ph:frame>5643</ph:frame>
</ph:photo></env:body>
</env:envelope>
我來澄清常常被誤解的兩件事：
URI 是標識符，不是地址。
前綴不是標識符。
URI 和地址
雖然一般的 URI 是地址，但對於 XML 名稱空間來說，它們僅作為標識符來使用。。我希望名稱空間像 Java 包那樣來標識，但是不能這樣做——比如用 com.psol.vocabulary 代替更容易造成混淆的 http://psol.com/vocabulary。
既然是標識符，這個地址就可能是無效的，就是說如果嘗試打開該地址就會返回“404 - Resource not found”錯誤。但它們仍然用於這個目的。和一般的想法相反，名稱空間 URI 並不指向 W3C XML Schema。
其次，因為這個上下文中 URI 是標識符，應用程序必須逐字符地匹配該 URI。修改 XML 詞匯表的 URI，比方說讓它指向您的服務器，這種做法是錯誤的。比如，XSL 的 URI 是 http://www.w3.org/1999/XSL/Transform。如果您在BM®工作，也不能將其改為 http://www.ibm.com/1999/XSL/Transform。事實上，根本不能改變已有詞匯表的 URI。
我在講授 XSLT 時，學生常常抱怨處理程序不工作，而實際上是他們沒有正確的復制 XSLT URI。
結論之一是，應該避免修改名稱空間。在 URI 中包含版本模式通常不是一個好主意，這樣注定會讓應用程序無法工作（不錯，我承認 W3C 對 SOAP 是這樣做的）。
前綴
另一種常見的錯誤是混淆了前綴和標識符。標簽名不是標識符，同樣，前綴也不是標識符。兩個不同應用程序使用同一前綴的風險很大。因此，名稱空間前綴是透明的，不應該在應用程序中顯式地操縱前綴。但是，XML 作者在文檔中修改前綴是完全合理的（比如為了避免沖突）。
因此應該避免清單 5 這樣的代碼, 而仿效清單 6 中的寫法。
清單 5. 不正確的前綴測試
startElement(Stringuri,Stringlocal,Stringqname,Attributesatts)
{
if(qname.equals("env:Envelope"))
; // do something
}
清單 6. 正確的測試名稱空間 URI
startElement(Stringuri,Stringlocal,Stringqname,Attributesatts)
{
if(uri.equals("http://psol.com/2005/envelope")
&& local.equals("Envelope"))
; // do something
}
結束語
只要記住這些陷阱，就可以在很大程度上改進您的 XML 編碼。更重要的是，這樣可以降低不兼容的危險，極大地簡化 XML 應用程序的維護。本系列的後續文章將考察和 XML 應用而非語法有關的常見陷阱。