HTTP (HyperText Transfer Protocol)

Presentazione sul tema: "HTTP (HyperText Transfer Protocol)"— Transcript della presentazione:

0 “Tecnologia dei Servizi “Grid e cloud computing”
Università degli Studi di Bari – Corso di Laurea Specialistica in Informatica “Tecnologia dei Servizi “Grid e cloud computing” A.A. 2009/2010 Giorgio Pietro Maggi Lezione 3b - 20 ottobre 2009 Il materiale didattico usato in questo corso è stato mutuato da quello utilizzato da Paolo Veronesi per il corso di Griglie Computazionali per la Laurea Specialistica in Informatica tenuto nell’anno accademico 2008/09 presso l’Università degli Studi di Ferrara. Paolo Veronesi

1

2 HTTP (HyperText Transfer Protocol)
Introduzione Esaminiamo in breve: HTTP (HyperText Transfer Protocol) An application-level protocol for distributed, collaborative, hypermedia information systems La storia Il funzionamento Caching e autenticazione I cookie

3 HTTP HTTP é un protocollo client-server generico e stateless utilizzato non solo per lo scambio di documenti ipertestuali, ma per una moltitudine di applicazioni, incluso name server e sistemi object-oriented distribuiti. Caratteristiche di HTTP sono la negoziazione del formato di dati, per l’indipendenza del sistema dal formato di rappresentazione dei dati. Specifiche di politiche di caching sofisticate a seconda del tipo di connessione Specifiche di autenticazione dell'utente di varia sofisticazione.

4 Storia di HTTP HTTP è esistito in tre versioni:
0.9: un semplicissimo protocollo client-server di sola richiesta di risorse HTML, senza flessibilità né nella direzione, né nel formato delle risorse. Utilizzata nel primo prototipo WWW e nei primi server NCSA. 1.0 (RFC 1945): il protocollo diventa generico e definisce la statelessness, e definisce alcuni metodi anche per l'upload di dati. Utilizzato fino al 1.1 (RFC 2068, 2069 e poi 2616, 2617): la versione attuale di HTTP, specifica meglio i meccanismi di caching, permette multi-homing e connessioni persistenti. HTTP-NG doveva essere la naturale evoluzione di HTTP, ma il WG IETF fallì miseramente nel raggiungere l'obiettivo, e l'evoluzione del protocollo si fermò. I cookie, originariamente proposti da Netscape, vennero descritti nell’RFC 2109 e poi 2965). I lavori di WebDAV estendono di fatto HTTP, ma non generano una nuova versione del protocollo.

5 Alcune definizioni Client-server Protocollo generico Statelessness
In HTTP esistono due ruoli specifici: il client attiva la connessione e richiede dei servizi. Il server accetta la connessione, nel caso identifica il richiedente, e risponde alla richiesta. Alla fine chiude la connessione. Protocollo generico HTTP è indipendente dal formato dati con cui vengono trasmesse le risorse. Può funzionare per documenti HTML come per binari, eseguibili, oggetti distribuiti o altre strutture dati più o meno complicate. Statelessness Il server non è tenuto a mantenere informazioni che persistano tra una connessione e la successiva sulla natura, identità e precedenti richieste di un client. Il client è tenuto a ricreare da zero il contesto necessario al server per rispondere.

6 Ruoli delle applicazioni HTTP
HTTP è un protocollo di comunicazione piuttosto semplice, basato sulla comunicazione tra due applicazioni, il browser, che manda richieste di documenti, ed il server, che risponde. In realtà i ruoli sono un po’ più precisi: Client: un’applicazione che stabilisce una connessione HTTP, con lo scopo di mandare richieste. Server: un’applicazione che accetta connessioni HTTP, e genera risposte.

7 Ruoli delle applicazioni HTTP (2)
User agent: Quel particolare client che inizia una richiesta HTTP (tipicamente un browser, ma può anche essere un bot). Un bot (abbreviazione di robot) è un'applicazione automatica che richiede e scarica pagine HTML e siti web per scopi vari: indicizzazione, catalogazione, verifica di correttezza sintattica, etc. E' uno user agent anche se non vi sono utenti che serve. Origin server: il server che possiede fisicamente la risorsa richiesta (è l’ultimo della catena)

8 Ruoli delle applicazioni HTTP (3)
Proxy: Un’applicazione intermediaria che agisce sia da client che da server. Le richieste sono soddisfatte autonomamente, o passandole ad altri server, con possibile trasformazione, controllo, verifica. Gateway: un’applicazione che agisce da intermediario per qualche altro server. A differenza del proxy, il gateway riceve le richieste come fosse l’origin server: il client può non essere al corrente che si tratta del gateway. Tunnel: un programma intermediario che agisce da trasmettitore passivo di una richiesta HTTP. Il tunnel non fa parte della comunicazione HTTP, anche se può essere stato attivato da una connessione HTTP. In più è importante ricordare: Cache: memoria locale di un'applicazione e il sistema che controlla i meccanismi della sua gestione ed aggiornamento. Qualunque client o server può utilizzare una cache, ma non un tunnel.

9 La connessione HTTP (1) La connessione HTTP è composta da una serie di richieste ed una serie corrispondente di risposte. La differenza principale tra HTTP 1.0 e 1.1 è stata la possibilità di specificare coppie multiple di richiesta e risposta nella stessa connessione. Le richieste possono essere messe in pipeline, ma le risposte debbono essere date nello stesso ordine delle richieste, poiché non è specificato un metodo esplicito di associazione.

10 La connessione HTTP (2) HTTP 1.1 con pipelining HTTP 0.9 HTTP 1.0
open open open open close close open open close close close open open close close close (GET, POST, HEAD, PUT) (GET, POST, HEAD, PUT) (GET, POST, HEAD, PUT) (solo GET)

11 Connessioni persistenti e pipelining
Le connessioni persistenti hanno diversi vantaggi: Richiedono meno connessioni TCP, con vantaggio per le CPU e per la rete Permettono di ridurre l'attesa della visualizzazione Permettono di gestire in maniera migliore gli errori Il pipelining è la trasmissione di più richieste senza attendere l'arrivo della risposta alle richieste precedenti Riduce ulteriormente i tempi di latenza, ottimizzando il traffico di rete, soprattutto per richieste che riguardano risorse molto diverse per dimensioni o tempi di elaborazione. E' fondamentale che le risposte vengano date nello stessso ordine in cui sono state fatte le richieste (HTTP non fornisce un meccanismo di riordinamento esplicito).

12 Il metodo GET Il più importante (ed unico in v. 0.9) metodo di HTTP è GET, che richiede una risorsa ad un server. Questo è il metodo più frequente, ed è quello che viene attivato facendo click su un link ipertestuale di un documento HTML, o specificando un URL nell’apposito campo di un browser. GET è sicuro ed idempotente, e può essere: assoluto (normalmente, cioè quando la risorsa viene richiesta senza altre specificazioni), condizionale (se la risorsa fa match con un criterio indicato negli header If-match, If-modified-since, If-range, etc.) parziale (se la risorsa richiesta è una sottoparte di una risorsa memorizzata). In informatica, il termine idempotenza viene usato in accezioni corrispondenti a quella matematica riportata qui sopra, applicato a "funzioni" in senso informatico (ovvero subroutine che producono un valore di ritorno). Lo stesso termine viene usato anche in senso più improprio per riferirsi a funzioni prive di effetti collaterali. In questo senso, una funzione è idempotente se non vi è alcuna differenza osservabile fra l'effetto di una singola attivazione della funzione e di N sue attivazioni consecutive. 9.1.2 Idempotent Methods Methods may also have the property of "idempotence" in that (aside from error or expiration issues) the side-effects of N > 0 identical requests is the same as for a single request. The methods GET, HEAD, PUT and DELETE share this property.

13 Il metodo HEAD Il metodo HEAD è simile al metodo GET, ma il server deve rispondere soltanto con gli header relativi, senza il corpo. HEAD è sicuro ed idempotente, e viene usato per verificare: la validità di un URI: la risorsa esiste e non è di lunghezza zero, l’accessibilità di un URI: la risorsa è accessibile presso il server, e non sono richieste procedure di autenticazione del documento. la coerenza di cache di un URI: la risorsa non è stata modificata nel frattempo, non ha cambiato lunghezza, valore hash o data di modifica. Uniform Resource Identifier (URI)

14 Il metodo POST Il metodo POST serve per trasmettere delle informazioni dal client al server, ma senza la creazione di una nuova risorsa. POST non è sicuro né idempotente, e viene usato per esempio per sottomettere i dati di una form HTML ad un’applicazione CGI sul server. Il server può rispondere positivamente in tre modi: 200 Ok: dati ricevuti e sottomessi alla risorsa specificata. E’ stata data risposta 201 Created: dati ricevuti, la risorsa non esisteva ed è stata creata 204 No content: dati ricevuti e sottomossi alla risorsa specificata. Non è stata data risposta.

15 Il metodo PUT Il metodo PUT serve per trasmettere delle informazioni dal client al server, creando o sostituendo la risorsa specificata. In generale, l’argomento del metodo PUT è la risorsa che ci si aspetta di ottenere facendo un GET in seguito con lo stesso nome. L’argomento del metodo POST, invece, è una risorsa esistente a cui si aggiunge (es. come input) informazione. PUT è idempotente ma non sicuro, e comunque non offre nessuna garanzia di controllo degli accessi o locking. Per questo è nato il gruppo di lavoro WebDAV, che ha fornito una semantica sicura e collaborativa per il metodo PUT (tra le altre cose).

16 Gli header Gli header sono righe RFC822 che specificano caratteristiche generali della trasmissione dell’entità trasmessa, della richiesta effettuata della risposta generata

17 Header generali Gli header generali si applicano solo al messaggio trasmesso e si applicano sia ad una richiesta che ad una risposta, ma non necessariamente alla risorsa trasmessa. Date: data ed ora della trasmissione MIME-Version: la versione MIME usata per la trasmissione (sempre 1.0) Transfer-Encoding: il tipo di formato di codifica usato per la trasmissione Cache-Control: il tipo di meccanismo di caching richiesto o suggerito per la risorsa Connection: il tipo di connessione da usare (tenere attiva, chiudere dopo la risposta, ecc. Via: usato da proxy e gateway.

18 Header dell’entità Gli header dell’entità danno informazioni sul body del messaggio, o, se non vi è body, sulla risorsa specificata. Content-Type: il tipo MIME dell’entità acclusa. Questo header è obbligatorio in ogni messaggio che abbia un body. Content-Length: la lunghezza in byte del body. Obbligatorio, soprattutto se la connessione è persistente. Content-Encoding, Content-Language, Content-Location, Content-MD5, Content-Range: la codifica, il linguaggio, l’URL della risorsa specifica, il valore di digest MD5 e il range richiesto della risorsa. Expires: una data dopo la quale la risorsa è considerata non più valida (e quindi va richiesta o cancellata dalla cache). Last-Modified: Obbligatorio se possibile. La data e l’ora dell’ultima modifica. Serve per decidere se la copia posseduta (es. in cache) è ancora valida o no. Uniform Resource Locator o URL

19 Header della richiesta (1)
Gli header della richiesta sono posti dal client per specificare informazioni sulla richiesta e su se stesso al server. User-Agent: una stringa che descrive il client che origina la richiesta; tipo, versione e sistema operativo del client, tipicamente. Referer: L'errore di spelling è dovuto a ragioni storiche (si direbbe Referrer) l’URL della pagina mostrata all’utente mentre richiede il nuovo URL. Se l’URL è richiesto con altri metodi che non l’attraversamento di un link es. digitando l'URL o selezionandolo dai bookmark, Referer deve essere assente. Referer viene usato per controllo sui percorsi degli utenti, utili nel caso di user profiling (che gusti ha il mio utente? Lo capisco dalla pagina da cui proviene) o pubblicità (il mio utente ha cliccato su un banner. A chi devo pagare i diritti?)

20 Header della richiesta (2)
Host: Header obbligatorio in HTTP 1.1. Contiene il nome di dominio e la porta a cui viene fatta la connessione. L'URI posto nella riga di richiesta è soltanto la parte locale al server. Manda l'indicazione del nome del server o della porta acceduta. GET /beta.html HTTP/1.0 ... Host: Se un server contiene più siti Web per scopi diversi, Host permette al server di distinguere il sito a cui la richiesta fa riferimento. Permette l’implementazione di virtual hosting senza manipolazioni del routing e multi-addressing IP. From: l’indirizzo di del richiedente. Si richiede che l’utente dia la sua approvazione prima di inserire questo header nella richiesta.

21 Header della richiesta (3)
Range: il range della richiesta. Poco usato. Accept, Accept-Charset, Accept-Encoding, Accept-Language: Implementazione della negoziazione del formato, per quel che riguarda tipo MIME, codice caratteri, codifica MIME, linguaggio umano. Il client specifica cosa è in grado di accettare, e il server propone il match migliore. If-Modified-Since, If-Unmodified-Since: richieste condizionali (per esempio, per aggiornare una cache) che vanno portate a termine solo se la condizione è vera. Se la pre-condizione è valida, viene ritornato un 304 (not modified), altrimenti si procede come per un GET normale. Authorization, Proxy-Authorization: una stringa di autorizzazione per l’accesso alla risorsa richiesta. Ne parliamo oltre.

22 La risposta Version status-code reason-phrase CrLf [Header]* CrLf Body
GET /index.html HTTP/1.1 Host: HTTP/ OK Date: Fri, 10 Apr :46:53 GMT Server: Apache/2.0.2 (Unix) Last-Modified: Mon, 5 Apr :55:37 GMT Accept-Ranges: bytes Content-Length: 3357 Content-Type: text/html <HTML> …. </HTML>

23 Status code Lo status code è un numero di tre cifre, di cui la prima indica la classe della risposta, e le altre due la risposta specifica. Esistono le seguenti classi: 1xx: Informational. Una risposta temporanea alla richiesta, durante il suo svolgimento. 2xx: Successful. Il server ha ricevuto, capito e accettato la richiesta. 3xx: Redirection. Il server ha ricevuto e capito la richiesta, ma sono necessarie altre azioni da parte del client per portare a termine la richiesta. 4xx: Client error. La richiesta del client non può essere soddisfatta per un errore da parte del client (errore sintattico o richiesta non autorizzata). 5xx: Server error. La richiesta può anche essere corretta, ma il server non è in grado di soddisfare la richiesta per un problema interno (suo o di applicazioni CGI).

24 Esempi di status code 100 Continue (se il client non ha ancora mandato il body) 200 Ok (GET con successo) 201 Created (PUT con successo) 301 Moved permanently (URL non valida, il server conosce la nuova posizione 400 Bad request (errore sintattico nella richiesta) 401 Unauthorized (manca l’autorizzazione) 403 Forbidden (richiesta non autorizzabile) 404 Not found (URL errato) 500 Internal server error (tipicamente un CGI mal fatto) 501 Not implemented (metodo non conosciuto dal server)

25 Header nella risposta La risposta contiene un body MIME che è introdotto da alcuni header e prosegue (se opportuno) con un body. Gli header sono o generali, o dell'entità (se viene fornito un body) e specifici della risposta. N.B.: Se viene fornita un'entità in risposta, devono esserci almeno le entità Content-type e Content-length. E' solo grazie al content type che lo user agent sa come visualizzare l'oggetto ricevuto. E' solo grazie al content length che lo user agent sa che ha ricevuto tutto l'oggetto richiesto.

26 Header della risposta Gli header della risposta sono posti dal server per specificare informazioni sulla risposta e su se stesso al client Server: una stringa che descrive il server: tipo, sistema operativo e versione. WWW-Authenticate: l’header di WWW-Authenticate include una challenge (codice di partenza) con cui il meccanismo di autenticazione deve fare match in caso di una risposta 401, (unauthorized). Il client genererà con questo valore un valore di autorizzazione posto nell’header Authorization della prossima richiesta. Accept-ranges: specifica che tipo di range può accettare (valori previsti: byte e none).

27 Autenticazione (1) Quando si vuole accedere ad una risorsa su cui esistono restrizioni di accesso, il server richiede l'autenticazione dell'utente. Al GET viene fornita la risposta 401 (unauthorized), più un header WWW-Authenticate che specifica i criteri con cui autenticarsi (metodo e parametri da usare). HTTP ha due metodi di autenticazione: Basic authentication (introdotto in HTTP 1.0) Digest access authentication (introdotto in HTTP 1.1)

28 Autenticazione (2) Basic authentication Introdotto da HTTP 1.0.
L'header della prima risposta WWW-Authenticate contiene il contesto di sicurezza (realm) dell'autenticazione. Il client richiede le informazioni di autorizzazione all'utente e Il client crea una nuova richiesta GET e fornisce le informazioni di autorizzazione codificate in Base64. Il browser continua a mandare lo stesso header per tutte le pagine dello stesso realm. Problema: La password passa dunque in chiaro sulla rete.

29 Autenticazione (3) Digest access authentication
Introdotto da HTTP 1.1, descritto in RFC 2069 e RFC 2617. Non manda la password in chiaro, ma una fingerprint della password, ovvero la password crittografata con il metodo MD5 (RFC 1321). Per evitare l'abuso della password, anche se crittografata, insieme alla fingerprint vengono codificate anche informazioni come lo username, il realm, l'URI richiesto, una time stamp, ecc.).

30 Caching (1) Può essere client-side, server-side o intermedia (su un proxy). La cache server-side riduce i tempi di computazione di una risposta, ma non ha effetti sul carico di rete. Le altre riducono il carico di rete. HTTP 1.0 si basava su tre header: Expires: il server specifica la data di scadenza di una risorsa If-Modified-Since: il client richiede la risorsa solo se modificata dopo il giorno X. Richiede una gestione del tempo comune tra client e server Pragma: no-cache: Fornita dal server, istruisce il client di non fare cache della risorsa in ogni caso. HTTP 1.1 introduce due tipi di cache control: Server-specified expiration Heuristic expiration

31 Caching (2) Server-specified expiration
Il server stabilisce una data di scadenza della risorsa, con l'header Expires o con la direttiva max-age nell'header Cache-Control Se la data di scadenza è già passata, la richiesta deve essere rivalidata. Se la richiesta accetta anche risposte scadute, o se l'origin server non può essere raggiunto, la cache può rispondere con la risorsa scaduta ma con il codice 110 (Response is stale) Se Cache-Control specifica la direttiva must-revalidate, la risposta scaduta non può mai essere rispedita. In questo caso la cache deve riprendere la risorsa dall'origin server. Se questo non risponde, la cache manderà un codice 504 (Gateway time-out) Se Cache-Control specifica la direttiva no-cache, la richiesta deve essere fatta sempre all'origin server.

32 Caching (3) Heuristic expiration
Poiché molte pagine non conterranno valori espliciti di scadenza, la cache stabilisce valori euristici di durata delle risorse, dopo le quali assume che sia scaduta. Queste assunzioni possono a volte essere ottimistiche, e risultare in risposte scorrette. Se non valida con sicurezza una risposta assunza fresca, allora deve fornire un codice 113 (heuristic expiration) alla risposta.

33 Modelli di sicurezza (1)
Ci sono due modi per fornire un trasporto sicuro (cioè non intercettabile da orecchie maliziose durante la trasmissione): Usare un'infrastruttura di trasporto sicura Il protocollo non cambia, ma ogni pacchetto trasmesso nello scambio di informazioni viene gestito in maniera sicura dal protocollo di trasporto Usare un protocollo sicuro a livello applicazione Si usa un protocollo anche diverso, che si occupa di gestire la trasmissione delle informazioni.

34 Modelli di sicurezza (2)
HTTPS (RFC 2818) Introdotto da Netscape, trasmette i dati in HTTP semplice su un protocollo di trasporto (SSL) che crittografa tutti i pacchetti. Il server ascolta su una porta diversa (per default la porta 443), e si usa uno schema di URI diverso (introdotto da ) S-HTTP (RFC 2660) Poco diffuso, incapsula richieste e risposte HTTP in un messaggio crittografato secondo o un formato MIME apposito (MIME Object Security Services, MOSS), o un formato terzo (Cryptographic Message Syntax, CMS). E' più efficiente ma più complesso.

35 I cookies HTTP è stateless: non esiste nessuna struttura ulteriore alla connessione, e il server non è tenuto a mantenere informazioni su connessioni precedenti. Un cookie (non in HTTP, è un’estensione di Netscape, proposta nell’RFC 2109 e poi ancora RFC 2965) è una breve informazione scambiata tra il server ed il client. Il client mantiene lo stato di precedenti connessioni, e lo manda al server di pertinenza ogni volta che richiede un documento. Il termine cookie (anche magic cookie) in informatica indica un blocco di dati opaco (i.e.: non interpretabile) lasciato in consegna ad un richiedente per poter ristabilire in seguito il suo diritto alla risorsa richiesta (come il tagliando di una lavanderia)

36 Architettura dei cookie (1)
Alla prima richiesta di uno user-agent, il server fornice la risposta ed un header aggiuntivo, il cookie, con dati arbitrari, e con la specifica di usarlo per ogni successiva richiesta. Il server associa a questi dati ad informazioni sulla transazione. Ogni volta che lo user-agent accederà a questo sito, rifornirà i dati opachi del cookie che permettono al server di riidentificare il richiedente, e creare così un profilo ottimale. Di particolare importanza sono la valutazione dei cookie da siti complessi (che comprendono molti domini) e l'uso di cookie di terze parti (ad esempio associati a banner o cose così).

37 Architettura dei cookies (2)
server HTTP applicazione CGI client request request genera il cookie Output + cookie Risposta + Set-Cookie request + Cookie request + Cookie analizza il cookie Output Risposta

38 Architettura dei cookies (3)
I cookies dunque usano due header, uno per la risposta, ed uno per le richieste successive: Set-Cookie: header della risposta, il client può memorizzarlo e rispedirlo alla prossima richiesta. Cookie: header della richiesta. Il client decide se spedirlo sulla base del nome del documento, dell’indirizzo IP del server, e dell’età del cookie.

39 Architettura dei cookies (4)
I cookies contengono le seguenti informazioni: Comment: stringa leggibile di descrizione del cookie. Domain: il dominio per cui il cookie è valido Max-Age: La durata in secondi del cookie. Path: l’URI per il quale il cookie è valido Secure: la richiesta che il client contatti ilo server usando soltanto un meccanismo sicuro (es. SHTTP) per spedirlo Version: La versione della specifica a cui il cookie aderisce.

40 Conclusioni HTTP Abbiamo parlato di Protocollo HTTP
Meccanismo di gestione dello stato in HTTP (cookie)

41 Riferimenti Wilde’s WWW, capitolo 3
Altri testi: T. Berners-Lee, R. Fielding, H. Frystyk, Hypertext Transfer Protocol -- HTTP/1.0, RFC 1945, May 1996 D. Kristol, L. Montulli, HTTP State Management Mechanism, RFC 2965, October 2000 R. Fielding, J. Gettys, J. Mogul, H. Frystyk, L. Masinter, P. Leach, T. Berners-Lee, Hypertext Transfer Protocol -- HTTP/1.1, RFC 2616, June 1999 D. Kristol, HTTP Cookies: Standards, privacy, and Politics, ACM Transactions on Internet Technologies, 1(2), November 2001

42 Introduction to XML eXtensible Markup Language 42

43 Introduzione Qui esaminiamo alcuni aspetti di XML, in particolare sintattici e di filosofia d'uso: Vantaggi di XML Applicazioni XML Sintassi dei DTD Elementi Attributi Entità Altre caratteristiche sintattiche di XML XML e Whitespace Document Type Definition (DTD)

44 XML XML (Extensible Markup Language [sic!]) è un meta-linguaggio di markup, progettato per lo scambio e la interusabilità di documenti strutturati su Internet. XML prevede una sintassi semplificata rispetto a SGML, e definisce contemporaneamente una serie piuttosto lunga di linguaggi associati: uno per i link, uno per i nomi di tag, uno per i fogli di stile, uno per la descrizione di meta-informazioni, ecc. XML si propone di integrare, arricchire e, nel lungo periodo, sostituire HTML come linguaggio di markup standard per il World Wide Web.

45 Perché XML? HTML nacque come un DTD di SGML (non proprio!!!), che permetteva di mettere in rete documenti di un tipo molto specifico, semplici documenti di testo con qualche immagine e dei link ipertestuali. Con il successo del WWW, HTML venne iniziato ad usare per molti scopi, molti più di quelli per cui era stato progettato. Si iniziò ad abusare dei tag di HTML per gli effetti grafici che forniva, più che per gli aspetti strutturali o semantici. Si iniziarono a desiderare elaborazioni sofisticate sui dati HTML, elaborazioni che non era possibile fornire. Si iniziò a trovare limitata la capacità grafica di HTML, anche abusando dei tag. Standard Generalized Markup Language (SGML), Document Type Definition (DTD)

46 Perché non SGML? SGML ha molti pregi, ma ha dalla sua una complessità d’uso e di comprensione notevole. Inoltre, a SGML mancano caratteristiche di notevole importanza per l’uso pratico, come link ipertestuali e specifiche grafiche. L’avvento di HTML ha fatto capire come i linguaggi di markup siano ormai maturi per essere compresi dal largo pubblico, ma che la semplicità d’uso di HTML doveva costituire un elemento di partenza. XML contiene tutte le caratteristiche di SGML che servono per creare applicazioni generali senza scendere nel livello di dettaglio e pedanteria richiesti da SGML. Standard Generalized Markup Language (SGML),

47 I vantaggi di XML (1) Documenti auto-descrittivi
La scelta dei nomi degli elementi può essere fatta per facilitare la comprensione del ruolo strutturale dell’elemento. Inoltre, l’uso di un DTD può esplicitare le regole di composizione ed i rapporti possibili tra le varie parti dei documenti. Struttura navigabile dei documenti La rigida struttura ad albero e l’assenza di regole di minimizzazione rendono semplice la visualizzazione e l’analisi della struttura del documento, e la possibilità di visualizzare il documento è indipendente dal foglio di stile che vi si applica. Document Type Definition (DTD)

48 I vantaggi di XML (2) Platform-independence
XML è uno standard aperto, e chiunque può realizzare strumenti che lo usino come formato di dati. Facile convertibilità a formati Web La totale interdipendenza tra XML, SGML, HTML etc. fa sì che la conversione tra formati interni e formati per il Web sia facile.

49 I vantaggi di XML (3) Strutturazione gerarchica dei documenti
Esistono molti formati di dati generici per l'intescambio di dati, ma sono tutti organizzati linearmente. XML permette strutture ad albero. Ripetibilità degli elementi XML permette di definire formalmente elementi ripetibili. Questo permette strutture più flessibili e complesse di altri formati di dati Content model misti XML trova un punto di equilibrio tra i formati dati per l'interscambio di dati e i formati per la strutturazione di documenti di testo. I content model misti (elementi che possono contenere sia altri elementi che testo) infatti permettono di inserire caratterizzazioni semantiche non soloper interi elementi, ma anche all'interno di elementi di testo contenitori (ad esempio, i paragrafi).

50 Quali applicazioni XML?
Data Interchange Ogni volta che più programmi si debbono scambiare dati, ci sono problemi di compatibilità. Ogni programma ha le proprie assunzioni in termini di caratteri, separatori, ripetibilità di elementi, differenza tra elementi vuoti e assenti, ecc. XML si propone come la sintassi intermedia più semplice per esprimere dati anche complessi in forma indipendente dall’applicazione che li ha creati. Document publishing XML è ideale come linguaggio per esprimere documenti strutturati o semi strutturati, e per esprimerli in maniera indipendente dalla loro destinazione finale. Lo stesso documento XML può essere preso e trasformato per la stampa, il Web, il telefonino, l’autoradio.

51 Cosa si fa con XML? (1) Applicazioni che richiedono che il client Web si ponga a mediare tra due o più database eterogenei Applicazioni che distribuiscono una parte significativa del carico computazionale dal server al client Applicazioni che richiedono che il client Web presenti view diverse degli stessi dati agli utenti Applicazioni in cui agenti Web intelligenti adattano la scoperta di informazioni alle esigenze degli specifici utenti. Da J. Bosak, XML, Java, and the future of the Web,

52 Cosa si fa con XML? (2) Accesso a database eterogenei
Ogni volta che è necessario trasferire dei dati da un database all’altro, la soluzione più economica a tutt’oggi è stampare i dati dal primo DB su carta e ribatterli a mano sul secondo. Idealmente io vorrei accedere via Web ai dati del primo DB, selezionare quelli che voglio in una cartella, e sbattere la cartella sul secondo DB, che si preoccupa di adattarli alle sue esigenze. Il secondo DB, dunque, deve essere in grado di comprendere la sintassi dei dati, di interpretare la struttura (eventualmente, in parte, aiutato da un essere umano) e di isolare le informazioni di suo interesse. Per questo potrebbe essere aiutato da un formato di interscambio tipo XML, che permetterebbe di etichettare i dati esplicitamente ed in maniera generale e comprensibile agli esseri umani.

53 Cosa si fa con XML? (3) Computazioni client-side
Esistono molte esigenze di testing e computazione su oggetti descrivibili parametricamente: Caratteristiche e funzionalità di chip, semilavorati, e prodotti industriali Scheduling in aerei, treni, ecc. Shopping on-demand, e user-tailoring Applicazioni per il customer suppot In tutti questi casi, attualmente si creano applicazioni server-side che interrogano i database per i parametri e usano cicli del server per le computazioni, mentre i client sono in attesa. Poter esprimere in Java o altri linguaggi client-side la logica della computazione, che scarica i parametri dal sito giusto ed esegue le computazioni indipendentemente, sarebbe molto comodo, e permetterebbe confronti incrociati e ogni altro tipo di valutazione ottimale per le esigenze di chi compra.

54 Cosa si fa con XML? (4) Viste selettive
L’esempio tipico è l’indice sommario dinamico di un documento: interrogo una base documentaria e ottengo il primo livello di indice di un documento. Seleziono una voce e ri-interrogo la base dati per avere il secondo livello dell’indice. Ogni espansione richiede un passaggio al server, con ovvi problemi di latenza. Sarebbe possibile fare tutto client-side con Javascript, ma o si fa l’indice a mano del documento HTML, oppure bisogna ricorrere a documenti ben strutturati, come XML. Altri esempi: Un grafico che si trasforma in una tabella Un documento annotato in cui vedo il contenuto, o le annotazioni, o tutti e due Un manuale di due versioni dello stesso sistema, con testi e immagini che cambiano a seconda di quale specifica versione si sta esaminando.

55 Cosa si fa con XML? (5) Agenti Web (ora: Web applications)
Mattew Fuchs (Disney Imagineering): “Data needs to know about itself, and data needs to know about me” Agenti di filtro, selezione, rilevamento hanno bisogno di sapere le caratteristiche dei dati che stanno filtrando in maniera vendor-independent, ben strutturata e flessibile (nuove esigenze, categorie, comunità virtuali, sub-società si formano continuamente) Ad esempio, bot personalizzati, la guida dei canali TV, i sistemi di classificazione del contenuto delle pagine Web, ecc.

56 Quando scegliere XML? (1)
Quali sono le condizioni per adottare XML in un progetto? Ovviamente: E’ nuovo E’ di moda E’ compatibile con Web e con .NET Può essere imposto dal committente Può essere imposto dai partner Ma ci sono almeno quattro buone ragioni per XML: Produzione di documenti automatici Gestione indipendente di produzione e uso di dati Elaborazione di dati con aspetti strutturali complessi Elaborazione di dati strutturati in contenitori semi-strutturati

57 Quando scegliere XML? (2)
Produzione di documenti automatici XML è la soluzione in assoluto più elegante (anche se ad oggi ancora faticosa) per integrare collezioni di dati strutturati sul Web. Documenti dinamici, che mescolano blocchi testuali con output tabellari di informazioni strutturate, sono facilmente esprimibili in XML, e gli strumenti attuali si concentrano su questo, per il momento. Integra e sostituisce le tecnologie server-side di accesso ai dati: ASP, PHP, server-side Javascript, ecc.

58 Quando scegliere XML? (3)
Gestione indipendente di produzione ed uso di dati Spesso l’interscambio di dati avviene all’interno di un workflow controllato e noto. In questo caso, data producers e data consumers sono creati ad hoc per lo specifico flusso informativo. XML è una complicazione inutile. Tuttavia esistono delle situazioni in cui non c’è progettazione integrata di producer e consumer. In questo caso, un’adeguata progettazione del producer facilita molto il lavoro di tutti i possibili consumer XML è strutturato, auto-esplicativo, enfatizza la descrizione del dato più che del suo scopo nella elaborazione. E’ quindi ideale per le situazioni in cui l’elaborazione non è nota in anticipo.

59 Quando scegliere XML? (4)
Elaborazione di dati con aspetti strutturali complessi I database utilizzano le relazioni per ogni tipo di esigenza: dalla descrizione di connessioni logiche tra entità concettualmente diverse, alla gestione di dati strutturati in maniera complessa. Ad esempio, è complicato gestire, in una tabella, record con un numero variabile di campi, o situazioni alternative complesse. XML prevede strutture con blocchi ripetuti, alternativi, facoltativi. La descrizione di queste strutture in XML è molto più naturale che con DB relazionali.

60 Quando scegliere XML? (5)
Elaborazione di dati in contenitori semi-strutturati A volte l’informazione ha uno stato naturale semi-strutturato (e.g., documenti testuali), al cui interno esistono informazioni atomiche su cui è necessario attivare computazioni. La soluzione classica è di estrarre le informazioni atomiche, metterle in un DB tradizionale, e buttare via il contenitore naturale. Questo ha il grosso difetto di eliminare il contesto e omogeneizzare in maniera forzata informazioni organizzate diversamente. XML permette di inserire all’interno di strutture documentarie (pensate per la visualizzazione) tag di natura descrittiva utilizzabili per elaborazioni sofisticate.

61 Cosa c’è con XML? XML è in realtà una famiglia di linguaggi, alcuni già definiti, altri in corso di completamento. Alcuni hanno l’ambizione di standard, altri sono solo proposte di privati o industrie interessate. Alcuni hanno scopi generali, altri sono applicazioni specifiche per ambiti ristretti. XML 1.0: un meta-linguaggio di markup DTD: specifica di vincoli di correttezza su documenti XML XSLT: trasformazione di documenti XML XML-Schema:specifica di vincoli sofisticati di correttezza su documenti XML RDF: specifica di meta-informazioni machine-processable DOM, SAX: modelli e strutture dati per la programmazione SOAP, WSDL, UDDI: linearizzazione di strutture dati e loro dichiarazione per dati di interscambio tra applicazioni Migliaia di proposte di vocabolari con lo scopo di standardizzare linguaggi, processi e servizi in ambiti specializzati: TEI, RSS, News-ML, Math-ML, CML, ebXML, cXML, etc. Resource Description Framework (RDF) è lo strumento base proposto da W3C per la codifica, lo scambio e il riutilizzo di metadati strutturati e consente l'interoperabilità tra applicazioni che si scambiano informazioni sul Web. Il Document Object Model (spesso abbreviato come DOM), letteralmente modello a oggetti del documento, è una forma di rappresentazione dei documenti strutturati come modello orientato agli oggetti. Le tecnologie per analizzare i dati racchiusi in un file XML sono essenzialmente due: SAX (Simple API for XML, e DOM (Document Object Model, SOAP (inizialmente acronimo di Simple Object Access Protocol) è un protocollo leggero per lo scambio di messaggi tra componenti software, tipicamente nella forma di componentistica software. La parola object manifesta che l'uso del protocollo dovrebbe effettuarsi secondo il paradigma della programmazione orientata agli oggetti. Il Web Services Description Language (WSDL) è un linguaggio formale in formato XML utilizzato per la creazione di "documenti" per la descrizione di Web Service. L'UDDI (acronimo di Universal Description Discovery and Integration) è un registry (ovvero una base dati ordinata ed indicizzata), basato su XML ed indipendente dalla piattaforma hardware, che permette alle aziende la pubblicazione dei propri dati e dei servizi offerti su internet.

62 Java, C, C++, PHP, ASP, Perl, Javascript, VBscript
Uno sguardo d'insieme NS SGML SOAP XML Schema XML HTML Web Services DOM XPath XHTML URI Java, C, C++, PHP, ASP, Perl, Javascript, VBscript XSLT CSS XPointer XLink print browser XSLFO

63 XML 1.0 Una raccomandazione W3C del 10 febbraio 1998.
È definita come un sottoinsieme di SGML URL ufficiale: Traduzione ufficiale in italiano: Molto più formalizzata della grammatica di SGML, usa una notazione formale, Extended Backus-Naur Form.

64 Criteri di progettazione di XML (1)
Nel documento ufficiale di XML si elencano i seguenti obiettivi progettuali di XML: 1. XML deve essere utilizzabile in modo diretto su Internet. Non significa che deve essere possibile usarlo sul browser del giorno. Significa che si dovevano tenere in conto le esigenze di applicazioni distribuite su reti a larga scala. 2. XML deve supportare un gran numero di applicazioni. Cioè XML non si limita al supporto di documenti in rete, ma a una larga classe di applicazioni che non c’entrano con la rete. Specificamente: deve essere possibile creare applicazioni come tool di authoring, filtri, formattatori, e traduttori.

65 Criteri di progettazione di XML (2)
3. XML deve essere compatibile con SGML Tool SGML esistenti debbono essere in grado di leggere e scrivere documenti XML Istanze XML debbono essere istanze SGML così come sono, senza traduzioni, per quanto semplici. Dato un documento XML, deve essere possibile generare un DTD SGML tale per cui un tool SGML esegue lo stesso parsing di un tool XML. XML deve avere essenzialmente lo stesso potere espressivo di SGML. Questi goal sono stati sostanzialmente raggiunti.

66 Criteri di progettazione di XML (3)
4. Deve essere facile lo sviluppo di programmi che elaborino documenti XML Deve essere possibile creare applicazioni XML utili che non dipendano dal leggere ed interpretare il DTD Obiettivo dichiarato: un diplomato in informatica deve essere in grado di scrivere un processore minimale XML in meno di una settimana. 5. Il numero di caratteristiche opzionali deve essere mantenuto al minimo possibile, idealmente a zero. SGML, per generalità, aveva adottato un numero molto alto di caratteristiche opzionali, di dubbia utilità, o molto specifiche Risultato: ogni processore SGML implementava solo una parte delle caratteristiche opzionali, e quindi documenti SGML conformi che potevano essere letti da un processore SGML non venivano letti da un altro, e viceversa.

67 Criteri di progettazione di XML (4)
6. I documenti XML dovrebbero essere leggibili da umani e ragionevolmente chiari. Formati testuali sono più aperti, più utili, più gradevoli da lavorarci che formati binari. Inoltre, per quanti capricci possa fare il tuo editor specializzato XML, puoi sempre aprire il documento con un editor di testi e rimettere a posto le cose. 7. La specifica del linguaggio XML deve avvenire rapidamente. La paura era che le esigenze di estensibilità del Web potessero essere soddisfatte da una qualche combinazione di complicati formati binari e di accrocchi proprietari. Es: DHTML!

68 Criteri di progettazione di XML (5)
8. La progettazione XML deve essere formale e concisa. La specifica di SGML è composta di un documento di oltre 300 pagine in stile ottuso e burocratico. Il manuale SGML ne richiede più di 600, e comunque non è leggibile facilmente. Inoltre non è neanche immediatamente utilizzabile da un programmatore per realizzare tool (poche definizioni formali, difficile dedurre la grammatica del linguaggio). La scelta di formalismi nitidi e pochi commenti ha permesso la creazione di una specifica XML notevolmente più corta (~40 pagg.) e immediatamente utilizzabile dai realizzatori di tool (sintassi BNF). 9. I documenti XML devono essere facili da creare. In particolare, deve essere facile creare tool di authoring di documenti XML.

69 Criteri di progettazione di XML (6)
10. Non ha importanza l'economicità del markup XML. Le esigenze di economicità di markup (terseness) di SGML avevano portato all’adozione di molte pratiche di minimizzazione dei caratteri, che però rendevano i documenti poco leggibili e molto più complicati da parsare. XML non ha meccanismi di minimizzazione, e dove si poteva scegliere tra economicità e chiarezza, si è scelta la chiarezza. Esistono poi due obiettivi progettuali non riportati: A. Supporto per l’internazionalizzazione XML deve funzionare con tutti i set di caratteri. B. Desperate Perl hacker Il programmatore a cui viene imposto di eseguire un compito di modifica globale su una grande quantità di documenti e che riesce a farla applicando un qualche script semplice sulla struttura pulita dei documenti XML.

70 XML e Unicode XML (come Java) abbandona completamente ASCII e le codifiche ad un byte, e si basa direttamente su Unicode. Questo porta a due vantaggi nei riguardi dell’internazionalizzazione: È possibile scrivere documenti misti, senza ricorrere a trucchi strani per identificare la parte che usa un alfabeto dalla parte che ne adopera un altro. Un documento scritto in un linguaggio non latino non deve basarsi su parametri esterni per essere riconosciuto come tale, ma la codifica stessa dei caratteri lo identifica.

71 Sintassi dei DTD Una precisazione <!DOCTYPE … >
<!ELEMENT … > <!ATTLIST … > <!ENTITY … >: Entità generali <!ENTITY % … >: Entità parametriche Altre caratteristiche di XML

72 La dichiarazione di tipo
Il <!DOCTYPE … > è la dichiarazione del tipo di documento. Essa permette alle applicazioni SGML di determinare le regole sintattiche da applicare alla verifica e validazione del documento. La dichiarazione non è, ma contiene o fa riferimento alla Document Type Definition, o DTD, ove vengono elencati gli elementi validi e i loro vincoli. Il DTD può essere posto in un file esterno, internamente al documento, o in parte esternamente ed in parte internamente. N.B.: In XML il nome del DOCTYPE deve essere il nome del tag radice.

73 Dichiarazione del DTD: <!DOCTYPE … >
1 <!DOCTYPE mydoc SYSTEM “document.dtd“> 2 <!DOCTYPE mydoc [ <!ELEMENT … ]> 3 <!DOCTYPE mydoc SYSTEM “document.dtd” [ <!ELEMENT … ]> La prima forma di dichiarazione indica che il DTD è contenuto in un file esterno (per esempio, condivisa con altri documenti). Il DTD viene chiamato external subset perché è posto in un file esterno. La seconda forma precisa il DTD internamente (cioè nello stesso file), che quindi non può essere condiviso da altri file. Il DTD si chiama in questo caso internal subset. La terza forma precisa una parte del DTD come contenuta in un file esterno (e quindi condivisibile con altri documenti), e una parte come propria del documento, e non condivisibile.

74 Dichiarazione XML (1) <?XML version=“1.0” encoding=“UTF-16” standalone=“yes” ?> Un documento XML può includere una dichiarazione XML. Questa specifica le caratteristiche opzionali del documento in questione. Poiché esse sono ridotte al minimo, la dichiarazione XML è brevissima. La sintassi usata per la dichiarazione XML è quella delle Processing Instructions, La non obbligatorietà della dichiarazione XML è dovuta a motivi di convenienza, per poter usare la grande quantità di documenti HTML e SGML che sono ben formati senza richiedere modifiche anche stupide. In assenza di dichiarazione XML, si assume la forma: <?XML version=“1.0” ?>

75 Dichiarazione XML (2) Esistono esattamente tre valori che possono essere messi in una dichiarazione XML: Il parametro “version” identifica quale versione di XML si sta usando. Per il momento, l’unico valore possibile è “1.0”. Necessario. Il parametro “encoding” permette di specificare, se il dubbio può sorgere, quale codifica di caratteri viene usata per il documento. Facoltativo. Il parametro “standalone” permette di specificare se tutto il contenuto del documento è interno alla risorsa o se ne esiste parte anche all'esterno (ad esempio in un'entità posta nel DTD esterno). Facoltativo. Se è assente è false.

76 Anatomia di un elemento
Attribute <p type="rule">Use a hyphen: ­.</p> (Character) Entity Reference Element Type Element Type Attribute Name Attribute Value Start-tag Content End-tag Element

77 Documenti ben formati o validi
XML distingue due tipi di documenti rilevanti per le applicazioni XML: i documenti ben formati ed i documenti validi. In SGML, un DTD è necessario per la validazione del documento. Anche in XML, un documento è valido se presenta un DTD ed è possibile validarlo usando il DTD. Tuttavia XML permette anche documenti ben formati, ovvero documenti che, pur essendo privi di DTD, presentano una struttura sufficientemente regolare e comprensibile da poter essere controllata.

78 Documenti XML ben formati
Un documento XML si dice ben formato se: Tutti i tag di apertura e chiusura corrispondono e sono ben annidati Esiste un elemento radice che contiene tutti gli altri I tag vuoti (senza contenuto) utilizzano un simbolo speciale di fine tag: <vuoto/> Tutti gli attributi sono sempre racchiusi tra virgolette Tutte le entità sono definite.

79 Parser validanti e non validanti
Il cuore di un applicazione XML è il parser, ovvero quel modulo che legge il documento XML e ne crea una rappresentazione interna utile per successive elaborazioni (come la visualizzazione). Un parser validante, in presenza di un DTD, è in grado di verificare la validità del documento, o di segnalare gli errori di markup presenti. Un parser non validante invece, anche in presenza di un DTD è solo in grado di verificare la buona forma del documento. Un parser non validante è molto più semplice e veloce da scrivere, ma è in grado di fare meno controlli. In alcune applicazioni, però, non è necessario validare i documenti, solo verificare la loro buona forma.

80 XML in HEP Configuration files Detector geometry description
“Standard” is evolving Schema for introspection and persistency LCG Dictionary through gcc-xml Data interchange AIDA XML standards for Data Analysis related items Histograms (binned and unbinned), Vectors of data, Ntuples, Functions and Fits 80

81 Links WWW consortium XML – development http://www.w3.org/
with lots of further links ! XML – development 81