Det semantiske web og XML

1
Det semantiske web og XML

• Costanza Navarretta
• Center for Sprogteknologi, Københavns Universitet
• costanza_at_cst.dk

2
Indhold

• hvad er det semantiske web?
• den oprindelige vision
• hvordan kan visionen realiseres?
• hvad har man gjort?
• fremtiden
• introduktion til XML
• elementer, attributter, opmærkning, velformede
  dokumenter

3
Hvad er det semantiske web?

• Initiativ fra W3C, et konsortium af offentlige og
  private organisationer fra hele verden stiftet i
  1994    ( MIT-CERN-DARPA-EU).
• W3Cs overordnede formål er at forbedre udveksling
  og anvendelsesmuligheder af resurser på nettet.
• Det semantiske webs hjemmeside
•  

4
Visionen det semantiske web

• Fremtidsorienteret vision om et web hvor
  dataresurserne kan anvendes på en "intelligent"
  måde af både mennesker og maskiner, også i form
  af agenter. Den viden som er gemt i data skal
  udnyttes.

5
Vision, behov og nutid

• Det semantiske web bygger på en vision, men
  visionen kommer ud fra et reelt behov at kunne
  udnytte den viden som er implicit i de store
  mængder data som findes på internettet.
• Det semantiske web er en igangværende udvidelse
  af det web, som findes i dag.

6
Hvordan kan visionen realiseres?

• Semantikken (betydningen) i resurserne på
  internettet skal gøres eksplicit.
• Resultatet vil være et netværk af  semantisk
  opmærket viden (det semantiske web).
• For at kunne bruges af programmer, skal viden
  være opmærket på standardiserede måder og
  organiseret i fx domæne-specifikke ontologier,
  som kunstige agenter kan anvende på tværs af
  sprog og systemer.

7
3WC-initiativer

• Definition af et XML-baseret standardsprog for at
  beskrive semantikken af resurserne (XML er
  standardsyntaksen for resurser på internettet).
• Definition af et XML-baseret standardsprog for at
  formalisere ontologier.
• Fastsættelse af protokoller til udveksling af
  semantiske resurser.

8
Resultater specifikationer

• RDF/XML Syntax Specification (Revised)
• RDF Vocabulary Description Language 1.0 RDF
  Schema
• RDF Primer
• Resource Description Framework (RDF) Concepts
  and Abstract Syntax
• RDF Semantics
• RDF Test Cases
• Web Ontology Language (OWL) Use Cases and
  Requirements
• OWL Web Ontology Language Reference
• OWL Web Ontology Language Semantics and Abstract
  Syntax
• OWL Web Ontology Language Overview
• OWL Web Ontology Language Test Cases
• OWL Web Ontology Language Guide

9
WC3 Ontologisprog
OWL
Ontologibeskrivelse W3C
DAMLOIL
Ontologibeskrivelse ikke W3C
RDFS
Objekt-orienteret RDF
RDF
Beskrivelse af resurser
XML Schema
Datakontrol
XML
Syntaks
10
Opmærkningssprog og XML

• Opmærkningssprog er notationer for at opmærke
  data med tags lttaggt.
• De mest kendt opmærkningssprog på webbet er
  HTML.
• Andre opmærkningssprog er SGML, som mest bruges i
  tekstsamlinger og XML, som er et generelt
  opmærkningssprog.

11
XML (eXtensible Markup Language)

• XML er et metasprog til opmærkning af dokumenter
  
• består af en mængde syntaktiske regler for at
  strukturere dokumenter så at computere kan læse
  data, generere dem og sikre at de er utvetydige
• understøtter UNICODE. UNICODE angiver et
  entydigt tal for hvert tegn, uafhængigt af
  programtype, sprog og system.
• er et opmærkningssprog (markup).

12
XML

• XML er blevet defineret som en undermængde af
  SGML.
• Opmærkning angives med tags (lttag-namegt).
• Selv om XML er et opmærkningssprog som kan minde
  om HTML, er der mange forskelle mellem de to
  sprog.

13
Forskelle mellem HTML og XML

• I HTML har alle tags og attributter en
  forudbestemt betydning, fx angiver "ltpgt" et
  afsnit (paragraf), attributtet href bruges til
  at angive en link. Mængden af lovlige tag-navne i
  HTML er begrænset.
• HTML's semantik er forbundet med sprogets syntaks
  som kun er egnet til at strukturere dokumenter
  som hypertekst.
• I XML anvendes tags'ene til at afgrænse og
  strukturere data af forskellige typer.
• Strukturen bestemmes af dem der skaber et
  XML-dokument og betydningen af tag-navnene er
  ikke forudbestemt, men afhænger af den aktuelle
  brug/definition. Derfor er XML et metasprog.
• Fx kunne "ltpgt stå for bogstavet p, for pris,
  person, problem o.s.v.

14
XML egenskaber

• XML-dokumenter skal være velformede, d.v.s. skal
  følge den syntaks som er beskrevet i
  XML-specifikationer.
• XML kræver ikke nogen form for licens, er
  system-uafhængigt og understøttes af mange
  platforme.
• Information i XML er struktureret således at
  den kan kombineres og genanvendes til forskellige
  formål.
• XML er et metasprog, som bruges til at
  definere et ubegrænset antal sprog (MusicXML,
  VoiceXML....).
• XML er modulært.

15
XML -fortsat

• XML 1.0 specifikationer angiver hvad tags og
  attributterne er i XML. Der findes også et
  voksende antal specifikationer, der supplerer
  XML. Nogle eksempler er
• XLink angiver hvordan der kan tilføjes hyperlinks
  til en XML-fil.
• XPointer angiver hvordan man kan danne links til
  dele af en XML-dokument.
• XSL angiver Style Sheets for XML-dokumenter

16
Hvordan editeres XML?

• XML-dokumenter er tekster og kan derfor skrives i
  almindelige teksteditorer (word, wordpad, emacs,
  notepad, jedit etc.)
• Der findes specielle XML-editorer der viser
  XML-syntaks og struktur (fx. jedit fra
  http//jedit.org)
• XML-dokumenter kan  indlæses i de fleste
  browsere.
• Der findes parsere til validering af
  XML-dokumenter

17
Hierarkisk og logisk struktur struktur

• XML-dokumenter har en hierarkisk struktur (tree
  structure). De skal have en unik rod, og kan have
  et ubestemt antal blade. Træets rod og blade
  hedder elementer. Den logisk struktur kan
  tegnes. 
• ltbookgtlttitlegt How to think like a Computer
  Scientist
• ltsubtitlegt Learning with Pythonlt/subtitlegt
• lt/titlegtltauthorgtA. Downey, J. Elkner
  Chris Meyerlt/authorgt
• ltprefacegt.....lt/prefacegt
• lttable_of_contentsgt lt.....gtlt/table_of_conten
  tsgt
•       ltchapter_1gt                   
  ltparagraph_1gt text.lt/paragraph_1gt.           
     
• lt/chapter_1gt 
• lt/bookgt

18
Elementer

• er de basale enheder i et XML-dokument.
• kan have et  indhold eller være tomme.
• Elementer med indhold kan indeholde andre
  elementer og/eller tekst. Elementerne angives med
  et opening-tag og  afsluttes med et closing-tag.
•       opening-tag                                
      closing-tag
• "lt" elementnavn "gt"      indhold       "lt/"
  elementnavn "gt"
• For eks.
• lttitelgt  Frøken Smillas fornemmelse for sne 
  lt/titelgt

19
Elementer og attributter

• Tomme elementer (empty elements )
• "lt" elementnavn "gt" "lt/" elementnavn "gt" som
  forkortes "lt" elementnavn "/gt" 
• ltbillede/gt
• Elementer (tomme og med indhold) kan have
  attributter.
• attributnavn " værdinavn"
• lttitel  sprog "dansk"gtFrøken Smillas fornemmelse
  for sne lt/titelgt
• ltbillede forsidebillede"forside.jpg"
  bredde"3cm"/gt

20
XML-navne

• et elementnavn skal være et XML-navn
• tilladte tegn bogstaver, tal, underscore _,
  apostrof, punktum
• tilladte begyndelsestegn bogstaver, _
• fx
• XML-navne
• bo, BO, bo3, _bo, bos, bo_3s.NaVn, fea?,?? 
• ikke XML-navne .bo, 3bo, bo3, b o._3

21
Velformede XML-dokumenter

• Et XML-dokument er velformet  hvis det
• har en hierarkisk træstruktur, d.v.s. har
  nøjagtigt et rod-element og alle elementer er
  korrekt indlejret
• er skrevet i overensstemmelse med XML-syntaktiske
  regler, bl.a. begyndelse- og sluttags er
  velformede, attribut- og elementnavne er
  XML-navne, attribut-værdierne er skrevet mellem
  to apostrofer eller mellem anførselstegn mm.

22
Velformede dokumenter -fortsat

• Der findes parsere der kontrollerer om et
  XML-dokument er velformet (browsere kontrollerer
  også om XML-dokumenter er velformede)
• Eksempel på et ikke-velformet dokument (2 fejl)
• ltboggtPython programmerlt/boggt
• ltbog sprogengelskgtLearning XMLlt/boggt

23
Tegnsættet

• XML-dokumenter er tekster indhold og opmærkning
  skrives med tegn.
• Små og store bogstaver opfattes som forskellige
  tegn.
• Det mest udbredte standardiserede tegnsæt der
  inkluderer tegn fra de fleste verdenssprog er
  Unicode. Til tider bruges der kun en delmængde af
  Unicode. Standarden for de nordiske sprog er fx
  ISO-8859-1 (Latin-1), mens ASCII-formatet er
  begrænset til det nordamerikanske tegnesæt.
• Tegnsæt defineres i XML-erklæring, der starter et
  XML-dokument
• lt?xml version"1.0" encoding"ISO-8859-1"?gt

24
Opmærkning

• tags
• processing instructions
• CDATA
• entity references
• character references
• kommentarer
• DTD erklæringer

25
Opmærkning -fortsat

• tags lttalgt 3354lt/talgt
• processing instructions kommando til eksterne
  programmer
• lt?xml-stylesheet href"http//cst.dk/cna/book.x
  sl" type"text/xsl"?gt
• CDATA fri tekst der ikke skal opmærkes
• ltopmærkninggt
• lt!CDATAkan også indeholde tags ltsåledesgt,
  samt , ', " men disse fortolkes ikke  som
  XML-opmærkning
• gt
• lt/opmærkninggt

26
Entity references

• anvendes til at bruge som almindelige tegn de
  tegn som er reserverede i XML, eller til at
  erstatte større mængder af tekst med en enkelt
  reference (en slags makroer).
• indledes af tegnet og afsluttes med et
  semikolon.
• Der er  5 reserverede tegn i XML (lt gt  ' ").  
• lt lt
• gt gt
• amp
• ' apos
• " quot

27
Et eksempel

• ltbookgt    lttitlegt XML amp SGMLlt\titlegt   
  ltpartsgt         part1
•         part2        part3       
  .....    lt/partsgt    .....3 lt 10
• lt/bookgt

28
Character referents og kommentarer

• Character references tillader at angive tegn som
  man ikke har på sin tastatur ved at skrive deres
  position i tegnsæt decimaltal  eller
  xhexadecimaltal
• kommentar indledes med tegnene "lt!--" og
  afsluttes med tegnene "--gt" lt!-- dette er en
  kommentar--gt en kommentar kan indeholde alle
  tegn, bortset fra to  efterfølgende bindestreger
  "--" og "--gt" lt! -- dette er ikke et
  XML--kommentar--gt

29
Et eksempel

• lt?xml version"1.0"?gt
• lt!-- created 18/09/2006 --gt
• ltdocument gt     lt title author"Costanza"gtExample
  lt/titlegt      lt contentsgt
• This is a very simple amp short XML
  document
• lt/contentsgt
• lt/document gt

30
DTD (Document Type Definition)

• bruges til at definere vokabularet for
  XML-dokumenter (der er andre form for skemaer).
• kan være interne elle eksterne
• dokumenter der følger et DTD siges at være
  gyldige i følge DTDen  

31
Et eksempel

• lt?xml encoding"ISO-8859_1"?gt
• lt!ELEMENT fornavn (PCDATA)gt
• lt!ELEMENT mellemnavn (PCDATA)gt
• lt!ELEMENT efternavn (PCDATA)gt
• lt!ELEMENT navn (fornavn, mellemnavn, efternavn)gt
• lt!ELEMENT afdeling_navn (PCDATA)gt
• lt!ELEMENT afdeling (afdeling_navn)gt
• lt!ATTLIST afdeling afdeling_nr CDATA REQUIREDgt
• lt!ELEMENT ansat (navn)gt
• lt!ATTLIST ansat ansæt_id ID REQUIREDgt
• lt!ELEMENT firma (afdeling,ansat)gt

32
Øvelser

• øvelser findes på adresse
• http//cst.dk/costanza/course/informasoeg/oev8.doc