#PCDATA 的 XML 验证答案

【问题标题】：XML validation of #PCDATA#PCDATA 的 XML 验证
【发布时间】：2021-01-30 13:22:45
【问题描述】：

我有这个简单的 XML：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE input[
<!ELEMENT input (#PCDATA)>
<!ELEMENT file (#PCDATA)>
<!ELEMENT name (#PCDATA)>
<!ELEMENT type (#PCDATA)>
]>
<input>
This is the content <file><name>test.png</name><type>Image</type></file>
</input>

我希望这是有效的，但一些在线验证器报告它是无效的，因为输入和文件元素包含非文本节点。

如果我删除输入元素中的文件元素，则报告生成的 XML 是有效的，所以我希望“非文本节点”是子元素（输入中的文件和文件中的名称和类型）。

我希望这是有效的，因为XML specification for an element 指定一个元素如果匹配一组条件之一是有效的，其中一个条件是：

声明与 Mixed 匹配，并且内容（在将任何实体引用替换为其替换文本之后）由字符数据（包括 CDATA 部分）、cmets、PI 和其类型与内容模型中的名称匹配的子元素组成。

注意最后的“和子元素...”。

混合的产生是：

    Mixed      ::=      '(' S? '#PCDATA' (S? '|' S? Name)* S? ')*'  
            | '(' S? '#PCDATA' S? ')'

第二种情况是我的输入和文件：(#PCDATA)

混合内容的有效性要求是可以存在子元素，只要它们的名称与内容模型中的名称匹配即可。

我误解了规范还是这些验证器不正确？

如果我从 DTD 中删除了文件、名称和类型元素的声明，但将子元素保留在输入元素的内容中，那么我会收到额外的验证错误，表明没有声明这些类型。我预计会出现这些错误，因为验证要求是子元素名称与内容模型中的名称匹配，并且在删除这些声明后，它们与内容模型中的名称不匹配。

但是，即使没有在 DTD 中声明文件、名称和类型元素，也有其他验证器报告 XML 是有效的。这似乎也是验证器的错误，因为验证要求清楚地表明子元素名称必须与内容模型中的名称匹配，而当这些元素声明被删除时，它们不会匹配。

我知道有多种 XML 验证实现，它们的工作方式不尽相同，因此它们不可能都严格正确。我最感兴趣的是对规范有一个严格正确的理解。

严格遵守内容(#PCDATA)的元素的有效性要求：

该元素的内容可以包含子元素吗？
如果是，这些元素的名称必须与 DTD 中的元素名称匹配吗？

规范似乎只要求子元素的名称与 DTD 中元素的名称相匹配，但我认为这些元素的内容和属性也应该与 DTD 中的声明相匹配，但规范实际上并没有说这。因此，再次严格遵守规范的有效性要求，内容为(#PCDATA) 的元素的子元素的内容和属性是否必须与DTD 中的这些声明相匹配？如果是这样，规范中的什么地方是这样说的？

最后，是否有任何易于使用（在线或可安装到 Linux）的 XML 验证器，根据您可以推荐的规范严格正确？

【问题讨论】：

标签： xml validation dtd pcdata

【解决方案1】：

你的元素声明，

<!ELEMENT input (#PCDATA)>

技术上允许混合内容，但不允许混合任何元素。

您引用的section 表示混合内容 可能包含字符数据，可选地穿插子元素。 该部分的生产支持这一点。请参阅下面的^^^，如果Name 提供，则允许混合元素：

Mixed ::= '(' S? '#PCDATA' (S? '|' S? Name)* S? ')*'  
                           ^^^^^^^^^^^^^^^^^       
        | '(' S? '#PCDATA' S? ')'

但是，您的声明实际上不允许元素。如果您希望允许混入诸如file 之类的元素，请改为声明input，如下所示：

<!ELEMENT input (#PCDATA|file)*>

更新以解决后续 cmets

任何出现在已解析字符数据中的& 和< 字符都将被解析：即解释为标记。格式良好的规则适用，并且在验证期间，解析的标记必须遵循模式给出的语法规则。在其内容模型中仅包含 #PCDATA 的元素不会隐式允许散布在内容模型中未提及的元素。

通俗地说，混合内容通常意味着存在散布的元素；从技术上讲，混合内容可能有零个或多个元素¹。无论哪种方式，如果元素散布有已解析的数据但未在内容模型中指定，则文档无效。

¹ 同样，请注意规范说可选地穿插。这是完整的定义：

3.2.2 Mixed Content

[定义：当元素type具有混合内容 该类型的可能包含字符数据，可选地穿插 child元素。]

【讨论】：

我想这可能是答案。另一方面，我的声明就像是混合内容声明的显式示例之一，如果它不允许带有散布元素的字符 - 混合内容的定义，它就不是混合内容。我发现规范很模棱两可。 #PCDATA 本身是否有任何生产？
另外，来自第 2.2 节：[定义：解析的实体包含文本，一个字符序列，可以表示标记或字符数据。]。而且我假设#PCDATA 内容是一个已解析的实体，但也许我错了，但如果是，那么它可以包含标记，即元素。
第 1 部分似乎更加清晰：XML 文档由称为实体的存储单元组成，其中包含已解析或未解析的数据。解析的数据由字符组成，其中一些构成字符数据，而另一些构成标记。 #PCDATA 不对应解析数据由字符组成的情况吗？
感谢您的更新。与此同时，我一直在查看Extensible Markup Language (XML) Conformance Test Suites 中的测试。还没有看到像我的例子，但还没有审查所有。我所看到的一切都与您的解释一致，因此，虽然规范对我来说仍然模棱两可，但我怀疑您所说的是通常的解释。