HTML als XML Anwendung

HTML (3.2, 4.0) ist eine SGML Anwendung
XML ist der Standart für erweiterbares Markup
HTML muss in XML reformuliert werden
Version 1.0, W3C Proposed Recommendation August 1999
HTML 4.01 enthält die notwendigen Anpassungen
aber am 3. November 1999 durch W3C zurückgezogen

Warum XHTML?

XHTML Dokumente sind XML konform.
Sie können mit XML Tools bearbeitet werden.
XHTML Dokumente können als text/html von HTML 4.0 Browsern verwendet werden.
XHTML Dokumente können aber auch als text/xml oder als application/xml (mit geeigneten Style Sheets) verwendet werden.
XHTML Dokumente können mit DOM bzw. XML-DOM verwendet werden, d.h. mit (Java)Scripts und Applets.
XHTML Dokumente verschiedener Autoren (Systeme, Umgebungen) werden besser zusammenpassen als HTML Dokumente.
Da XHTML eine XML Anwendung ist, können neue Markup-Elemente einfach hinzugefügt werden.
XHTML ist nicht mehr nur auf Browser beschränkt. Viele andere User-Agents (Handys, Sprachausgabe, etc.) werden damit umgehen können (best effort content transformation).

Bedingungen für XHTML konforme Dokumente

Sie müssen entsprechend einer XHTML DTD gültige (valid) XML Dokumente sein.
Das Root-Element muss <html> sein.
Das Root-Element muss einen gültigen XHTML Namensraum bestimmen, der ein gültiger XML Namensraum sein muss.
Es muss eine XML DOCTYPE Deklaration vor dem Root-Element verhanden sein.
Die Internet Medien Typen (Mime Types) dürfen text/html, text/xml oder application/xml sein.

Beispiel

<?xml version="1.0"?>
<!DOCTYPE html 
    PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
    "http://www.w3.org/TR/xhtml1/DTD/strict.dtd">
<html xmlns="http://www.w3.org/TR/xhtml1">
<head>
<title>Browser Titel</title>
</head>
<body>
<h1>Dokument Titel</h1>
<p>
Ein Paragraph <br />
auf zwei Zeilen.
</p>
<math xmlns="http://www.w3.org/TR/REC-MathML">
   ... Text in MathML ...
</math>
</body>
</html>

Verhalten von XML User Agents (Browser)

XML-UAs müssen well-formedness feststellen.
Validierende UAs müssen das Dokument gegen alle DTDs validieren.
Bei unbekannten Elementen muss der Inhalt dargestellt werden (wie bei HTML, nicht bei XML).
Unbekannte Attribute müssen ignoriert werden (wie bei HTML, nicht bei XML).
Bei unbekannten Attribut-Werten muss der Defaultwert verwendet werden (wie bei HTML, nicht bei XML).
Unbekannte Entities müssen als Zeichenkette (&xyz;) dargestellt werden (wie bei HTML, nicht bei XML).
Unbekannte Zeichen (Characters) müssen so dargestellt werden, dass klar ist das sie nicht bekannt, aber erkennbar sind (nicht bei HTML, nicht bei XML).
Whitespace direkt nach einem Start-Tag und unmittelbar vor einem End-Tag muss ignoriert werden (falls nicht per XML etwas anderes bestimmt wurde).

Unterschiede zu HTML 4.0

XHTML Dokumente müssen well-formed sein, d.h. gültige Schachtelungsstruktur haben.
```
Paragraph Hervorhebung

statt
Paragraph Hervorhebung
```
Element- und Attribut-Namen müssen in Kleinbuchstaben geschrieben sein.
```
<li> statt <LI>
```
End-Tags müssen immer vorhanden sein (falls nicht per XML das Element als EMPTY deklariert wurde).
```
Paragraph weiterer Paragraph 
statt
Paragraph weiterer Paragraph 
```
Bei leeren Elementen ohne End-Tag muss das Start-Tag mit "/>" beendet werden.
```
 
```
Attributwerte müssen in Anführungszeichen eingeschlossen werden. Auch bei Zahlenwerten.
```
<img ... width="300" />
statt
<img ... width=300 />
```

Attributwerte müssen immer angegeben werden.

<dl compact="compact" >
statt
<dl compact >

In Attributwerten wird Whitespace auf jeweils ein Blank verkürzt, bzw. am Beginn und Ende von Zeichenketten abgeschnitten.
```
alt="   Beschreibung     eines   Bildes     "

wird zu
alt="Beschreibung eines Bildes"
```
Script-Texte müssen als CDATA markiert werden, falls sie < oder & enthalten.
```
<script>
 <![CDATA[ 
 ... Inhalt des Scripts
 ]]>
</script>
```
SGML Ausschluss-Definitionen sind nur informell festgelegt.
z.B. das a-Element darf kein weiteres a-Element enthalten.
Das name Attribut von HTML muss als XML id Attribut angegeben werden.
```
<a name="section1" id="section1" ... >
```

Diese Datei in XHTML.

Tips und Hinweise

Processing Instructions und Zeichensätze werden nicht von allen UAs erkannt
<?... >, UTF-8, UTF-16.
Benutze Blanks vor />
Benutze   statt  
Benutze  statt .
Benutze externe Scripte, falls "<", "&" oder "]]>" vorkommen.
Verwende keine Zeilenumbrüche und mehrfache Leerzeichen in Attribut werten.
Benutze lang und xml:lang gleichzeitig als Attribute.
Benutze name="xyz" und id="xyz" gleichzeitig als Attribute für die Bezeichnung von Elementen.
Benutze <?xml ... encoding="iso-8859-1"> und <meta http-equiv="Content-type" ... charset="iso-8859-1"> gleichzeitig für die Bezeichnung von Zeichensätzen.
Einige UAs haben Probleme mit Booleschen Attributen.
Problem bei DOMs:
HTML 4.0 DOM benutzt Grossbuchstaben,
XHTML 1.0 DOM benutzt Kleinbuchstaben,
XML 1.0 DOM benutzt Gross-/Klein-Buchstaben.
Problem mit "&" in Attributwerten, z.B.
href=".../script.pl?n1=w1&n2=w2"
Probleme mit Style Sheets (CSS):
Gross-/Klein-Schreibung von Elementen.

Aber ...

From: Tim Berners-Lee <timbl@w3.org>
To: w3c-ac-members@w3.org <w3c-ac-members@w3.org>
Date: Wednesday, November 03, 1999 11:22 AM
Subject: W3C: XHTML 1.0 returned to HTML WG

Dear Advisory Committee Member,

XHTML 1.0 is hereby sent back to the HTML working group for further work.

On 24th August 1999, we asked for review of the XHTML 1.0 Proposed
Recommendation. The review period lasted until September 22nd. It
was encouraging to see so many member organizations planning on
delivering products supporting XHTML.

There was, however, a significant lack of consensus around a number of
points, based on the feedback received during the review. The HTML
working group is being asked to address the issues raised and to
present a revised specification for further member review as soon
as possible.

In summary, W3C Members wanted the HTML working group to revise
the XHTML 1.0 specification to utilize a single namespace.
There are a number of separate questions involved in this,
such as whether a namespace identifier should be changed
(a) between versions of the same specification and (b) between
different strict, transitional and frameset document types of the
original HTML 4 spec on which xHTML is based.

A few respondents were also concerned about the use of the text/xml
media type for delivering xHTML, considering this to be "premature".
If a document conforming to XML 1.0 and XML Namespaces is not to be
considered "text/xml", this raises an important issue as to what is.

Whatever decision is made, XHTML as a specification must of
course define some conformance phrase (what it is that it is defining)
and the constraints on and meaning of a conforming document.

We will be sending out a separate message on the HTML 4.01
specification, which was reviewed at the same time as XHTML 1.0.

Tim Berners-Lee
Director W3C

Quelle: http://www.lists.ic.ac.uk/hypermail/xml-dev/xml-dev-Nov-1999/0106.html

Arbeitsweise des W3C

Webseite des World Wide Web Consortiums: www.w3c.org
Gründung u.A. wegen der Browser-Kriegen
Arbeitsgruppen des W3C: Mitglieder aus Industrie, Medien und Wissenschaft
werden vom Vorstand zu wichtigen Themen eingerichtet
erarbeiten W3C Public Drafts
werden zu Proposed Recommendations
weitere Prufung, dann Recommendation oder neue Beratung

Warum der Rückzug?

Unklarheiten über die Verwendung von Namespaces

bezüglich der verschiedenen XHTML Versionen

bezüglich der verschiedenen HTML Versionen
schwerwiegender Einwand: XHTML nicht als text/xml verschicken
was soll bei nicht-Konformität gemacht werden?

Ausblick

Modularisierung von XHTML, d.h. zuschneiden auf bestimmte UAs
Formalisieren der Bildung von Teilmengen und Erweiterungen.
Dokument Profile

HTML Tidy

Tool zur Fehlersuche in HTML
bietet auch Fehlerkorrektur
kann Müll von HTML-Editoren entfernen
kann HTML nach XHTML konvertieren
offizielles Tool des W3C
erkennt, prüft und korrigiert Dokumenttyp
für fast alle Plattformen verfügbar
Unterstützung von XML, ASP, PHP

Tidy-Logo

Beispiele für die Arbeitsweise von HTML Tidy

Beispiel für schlechtes HTML bad.html und das Ergebnis nach Bearbeitung mit HTML Tidy good.html.

Fehlermeldungen aus dem Beispiel

> tidy  exam/bad.html >exam/good.html

Tidy (vers 19th October 1999) Parsing "exam/bad.html"
line 3 column 1 - Warning: inserting missing 'title' element
line 5 column 2 - Warning: replacing unexpected <h2> by </h1>
line 5 column 37 - Warning: discarding unexpected </h3>
line 7 column 42 - Warning: replacing unexpected </i> by </b>
line 8 column 15 - Warning: replacing unexpected </b> by </i>
line 10 column 45 - Warning: missing </i> before </h2>
line 12 column 4 - Warning: inserting implicit <i>
line 14 column 2 - Warning: missing </i> before <p>
line 14 column 4 - Warning: inserting implicit <i>
line 14 column 43 - Warning: discarding unexpected <a>
line 16 column 2 - Warning: missing </a> before <li>
line 16 column 2 - Warning: missing </i> before <li>
line 16 column 2 - Warning: inserting implicit <ul>
line 24 column 1 - Warning: unknown attribute "tidy"
line 30 column 1 - Warning: <img> lacks "alt" attribute

"exam/bad.html" appears to be HTML proprietary
15 warnings/errors were found!

The alt attribute should be used to give a short description
of an image; longer descriptions should be given with the
longdesc attribute which takes a URL linked to the description.
These measures are needed for people using non-graphical browsers.

For further advice on how to make your pages accessible
see "http://www.w3.org/WAI/GL". You may also want to try
"http://www.cast.org/bobby/" which is a free Web-based
service for checking URLs for accessibility.

HTML & CSS specifications are available from http://www.w3.org/
To learn more about Tidy see http://www.w3.org/People/Raggett/tidy/
Please send bug reports to Dave Raggett care of <html-tidy@w3.org>
Lobby your company to join W3C, see http://www.w3.org/Consortium

Aufruf und Verwendung von HTML Tidy

> tidy  [[options] files]*

tidy: file1 file2 ...
Utility to clean up & pretty print html files
see http://www.w3.org/People/Raggett/tidy/

options for tidy released on 19th October 1999
  -config <file>  set options from config file
  -indent or -i   indent element content
  -omit   or -o   omit optional endtags
  -wrap 72        wrap text at column 72 (default is 68)
  -upper  or -u   force tags to upper case (default is lower)
  -clean  or -c   replace font, nobr & center tags by CSS
  -raw            leave chars > 128 unchanged upon output
  -ascii          use ASCII for output, Latin-1 for input
  -latin1         use Latin-1 for both input and output
  -iso2022        use ISO2022 for both input and output
  -utf8           use UTF-8 for both input and output
  -mac            use the Apple MacRoman character set
  -numeric or -n  output numeric rather than named entities
  -modify or -m   to modify original files
  -errors or -e   only show errors
  -quiet or -q    suppress nonessential output
  -f <file>       write errors to <file>
  -xml            use this when input is wellformed xml
  -asxml          to convert html to wellformed xml
  -slides         to burst into slides on h2 elements
  -help   or -h   list command line options
Input/Output default to stdin/stdout respectively
Single letter options apart from -f may be combined
as in:  tidy -f errs.txt -imu foo.html
For further info on HTML see http://www.w3.org/MarkUp

Einige wichtige Optionen

markup: yes, no: Erzeugen des verbesserten Markups.
wrap: number: Zeilenumbruch bei angegebener Spalte. 0 = abgeschaltet.
input-xml: yes, no: Einlesen als XML.
output-xml: yes, no: Ausgabe von XML.
output-xhtml: yes, no: Ausgabe von XHTML.
doctype: omit, auto, strict, loose or <fpi>: Festlegen des DOCTYPE in der Ausgabe.
char-encoding: raw, ascii, latin1, utf8 or iso2022: Festlegen des Zeichensatzes in der Ausgabe.
fix-backslash: yes, no: Wandelt "\" in URLs zu "/".
word-2000: yes, no: Versucht Müll, der von Word 2000 produziert wird zu entfernen.
clean: yes, no: Versucht überflüssigen Präsentations-Markup durch Stilregeln (CSS) oder Struktur-Markup zu ersetzen.
logical-emphasis: yes, no: Ersetzt i durch em, b durch strong, impliziert clean.
enclose-text: yes, no: Fasst Text auf Body-Level in Paragraphen. Wichtig für funktionierende Stilvorlagen.
split: yes, no: Teilt die Datei an h2 Elementen in einzelne "Folien".
new-empty-tags: tag1, tag2, tag3
new-inline-tags: tag1, tag2, tag3
new-blocklevel-tags: tag1, tag2, tag3
new-pre-tags: tag1, tag2, tag3: Definition von neuen Tags der entsprechenden Art.

Beispiel für ein Config-File

/* HTML Tidy configuration file */
markup: yes
wrap: 0
doctype: strict
break-before-br: yes
logical-emphasis: yes
enclose-text: yes
/* eof */

Was in Arbeit ist

Validierung aller Attribute
Verbesserter XML Support
Verbesserung der Zeichensatz Unterstüzung
Verbesserung der ASP und PHP Unterstüzung
Verbesserte Folien Erzeugung

Extensible Hypertext Markup Language (XHTML)