XML

XML 1.0 规范允许的（转义后的最终解码值）合法字符： #x9（水平制表符）、#xA（回车符）、#xD（换行符）、#x20-#xD7FF、#xE000-#xFFFD、#x10000-#x10FFFF。即任何Unicode字符，不包含 surrogate blocks, FFFE, FFFF。

XML 规范定义了5个"预定义实体"来表示特殊字符. XML也允许在每个文档定义任意数量的其它命名实体.

下表列出了5个XML预定义实体. 通过名字引用这些实体的格式为&name;，例如, & 将绘制为&.

XML 处理器（Processor，也称作XML parser）分析标记语言并传递结构化信息给应用（application）。

XML 规范规定了处理器要做什么不能做什么，但是应用并不在其讨论范围内。规范称之为处理器的东西一般被通俗的称为 XML 解析器。

XML文档的字符分为标记（Markup）与内容（content）两类。可由简单的语法判断出来：标记通常以<开头，以>结尾；或者以字符& 开头，以;结尾。不是标记的字符就是内容。但是CDATA部分，分解符号<![CDATA[与]]>是标记，二者之间的文本为内容。 最外界的空白符是标记。

一个tag属于标记结构，以<开头，以>结尾。Tag名字是大小写敏感，不能包括任何字符 !"#$%&'()*+,/;<=>?@[\]^`{|}~， 也不能有空格符， 不能以"-"或"."或数字开始。可分为三

• 起始标签 start-tag，如<section>;
• 结束标签 end-tag，如</section>;
• 空白标签 empty-element tag，如<line-break />.

元素是文档逻辑组件，它在起始标签与匹配的结束标签之间，或者仅由一个空白标签组成。例如：<greeting>Hello, world!</greeting>. 另一个例子是： <line-break />.在标签间的内容可以包含其他元素（称为子元素）

属性是一种在起始标签或空白标签中的标记结构，由键值对组成。例如：<img src="madonna.jpg" alt="Madonna" />，其中 src 和 alt 是属性，它们的值分别是"madonna.jpg"和"Madonna"。每个元素中，一个属性最多出现一次，一个属性只能有一个值。

如果属性有多个值，这需要采取XML协议以外的方式来表示，如采用逗号或分号间隔，对于CSS类或标识符的名字可用空格来分隔。

XML文档如果以XML declaration开始，则表述了文档的一些信息。如<?xml version="1.0" encoding="UTF-8"?>.

以下范围内的Unicode字码在 XML 1.0 文档中是有效的：[9]

• U+0009 ( 水平制表符 ), U+000A ( 换行 ), U+000D ( 回车 ): 这些是在 XML 1.0 中唯一接受的控制字符
• U+0020 - U+D7FF, U+E000 - U+FFFD: 这些排除了BMP中的一些非字符（所有代理项，U+FFFE和U+FFFF是不被允许的）
• U+10000 - U+10FFFF: 这些包含所有在增补计划中的字码，包含非字符

XML 1.1 扩充了允许的字符集以包含上述内容和U+0001 - U+001F[10]，但同时，它限制使用 U+0009（ 水平制表符 ）、U+000A（ 换行 ）、U+000D（ 回车 ）和 U+0085（下一行）以外的 C0 和 C1 控制字符 ），要求它们以转义形式编写（例如 U+0001 必须写为 &#x01; 或其等效形式）。 对于 C1 字符，此限制是向后不兼容； 引入它是为了检测常见的编码错误。

U+0000 （ 空 ）是唯一在任何 XML 1.1 文档中都不被允许的字码。

Unicode 字符集可被编码为二进制字节以存储或通过多种方式传输，这个过程被称为编码。Unicode 本身定义了一个覆盖全字符集的编码格式，其中知名的包含 UTF-8（不包含位顺序记号，是XML 标准文档推荐使用的格式）和 UTF-16。还有许多早于 Unicode 的文字编码，如 ASCII 和多种 ISO/IEC 8859 字符集，但是它们的字符集都是 Unicode 字符集的子集。

XML 允许使用任何 Unicode 定义的编码以及其他字符集是Unicode子集的编码。 XML 还提供了一种机制，使XML 处理器可以在没有任何先验知识的情况下可靠地确定正在使用哪种编码。除 UTF-8 和 UTF-16 之外的编码不一定能被每个 XML 解析器识别（有些时候甚至不能识别 UTF-16，尽管标准要求它也被识别）。

XML 提供了转义工具以包含哪些不能直接引入的字符，例如：

• 字符“<”和“&”是关键的语法标记，因此不能出现在 CDATA 部分之外的内容中。 虽然被允许但是不建议在 XML 实体值中使用“<”
• 某些字符编码仅支持 Unicode 字符集中的部分字符（子集）。 例如，用 ASCII 编码 XML 文档是合法的，但 ASCII 缺少 Unicode 字符（例如“é”）的字码
• 在作者的机器上可能无法输入这个字符
• 某些字符的字形无法在视觉上与其他字符区分开来，例如不间断空格 (&#xa0;) " " 和空格 (&#x20;) " "，以及西里尔大写字母 A (&#x410;) “А”和拉丁文大写字母 A (&#x41;)“A”

所有有效的 Unicode 字符都可以用数字字符引用表示。 例如汉字“中”，其在 Unicode 中的数字代码是十六进制 4E2D，即十进制 20,013。 如果用户无法输入该字符，则仍然可以通过 &#20013; 或&#x4e2d; 代表“中”这个字符。 类似地，字符串“I <3 Jörg”可以被编码为包含在 XML 文档中，如 I <3 Jörg。

注释可以在文档内标记外的、XML声明之后的任何地方出现，始于 。为了兼容SGML，注释内不得出现"--"，这意味着注释不能嵌套。& 符号在注释中没有特殊意义，因此实体和字符引用不会被识别，自然无法表示文档编码字符集之外的字符。

XML 1.0（第五版）和 XML 1.1 支持在元素名称、属性、注释、字符数据和处理指令中直接使用几乎任何 Unicode 字符（除了在 XML 中具有特殊符号含义的字符，例如小于符号“<”）。 以下是一个格式良好的 XML 文档，包括中文、亚美尼亚语和西里尔语字符：

<?xml version="1.0" encoding="UTF-8"?>
<俄语 լեզու="ռուսերեն">дані</俄语>

每个XML文档都由XML声明开始，在上面的代码中的第一行就是XML声明，<?xml version="1.0"?>。这一行代码会告诉解析器或浏览器，这个文件应该按照XML规则进行解析。

但是，根元素到底叫<小纸条>还是<小便条>，则是由文档类型定义（DTD）或XML纲要（XML Schema）定义的。如果DTD规定根元素必须叫<小便条>，那么若写作<小纸条>就不符合要求。这种不符合DTD或XML纲要的要求的XML文档，被称作不合法的XML，反之则是合法的XML。

XML文件的第二行并不一定要包含文档元素；如果有注释或者其他内容，文档元素可以迟些出现。

最常見的PI（processing instruction,像XML序言, 卻是不同類型的語法）是用來指定XML文件的樣式表, 这个PI一般会直接放在XML序言之后，通常由Web浏览器使用，来将XML数据以特殊的样式显示出来。

XML的结构有一个缺陷，那就是不支持分帧（framing）。当多条XML消息在TCP上传输的时候，无法基于XML协议来确定一条XML消息是否已经结束。