HTML внутри XML

[yurikhan]

Если вы делаете вот так:

<?xml version="1.0" encoding="utf-8"?>
<foo>
    …
    <description>какой-то &lt;b&gt;форматированный&lt;/b&gt; текст</description>
    …
</foo>

или так:

<?xml version="1.0" encoding="utf-8"?>
<foo>
    …
    <description><![CDATA[какой-то <b>форматированный</b> текст]]></description>
    …
</foo>

то эти лучи поноса — вам.

Правильно делать так:

<?xml version="1.0" encoding="utf-8"?>
<foo>
    …
    <description>какой-то <b xmlns="http://www.w3.org/1999/xhtml">форматированный</b> текст</description>
    …
</foo>

Comments

[xirax.livejournal.com]

лучи поноса — нам :D

[ibnteo.livejournal.com]

Правильно в идеальном мире, которого нет.

[wizzard]

В примерах XHTML внутри XML.

А HTML5 не обязан являться валидным XML, следовательно, его придется таки пихать в CDATA.

[yurikhan]

Спецификация HTML5 определяет также XHTML5 и заявляет, что они изоморфны за исключением неймспейсов (только в DOM и XHTML), <noscript> (только HTML) и подстроки --> в комментариях (только DOM).

Когда хочется HTML запихать внутрь XML, следует трансформировать его в XHTML.

Случаи, когда заранее неопределённый пользовательский HTML-контент (типа описания некоего объекта на карте) может понадобиться запихать в application-specific XML-документ (типа KML) и при этом в исходном контенте допускается <noscript>, представляются мне крайне редкими.

Включение XHTML внутрь XML позволяет требует его валидировать не позднее чем на этапе первой загрузки после сохранения, что благотворно сказывается на результате и имеет очень большое воспитательное значение. Кроме того, по XHTML-включениям можно делать любые XPath-запросы и XSLT-преобразования. В то время как HTML внутри CDATA — это просто текстовая строка без выраженной семантики. Для сколько-нибудь навороченной обработки такого XML-документа (например, проверки, что все ссылки на картинки из вложенных HTML ещё живые) требуется сложный скрипт.

[wizzard]

> следует трансформировать его в XHTML.

Да, это хороший подход.

> изоморфны

Кстати, а у них не появился наконец reference mapping? В смысле, который бы с правильным приоритетом закрывал тэги <img> в <img />, <script> в <script></script>, вставлял всякие <tbody> и прочая...

Когда я последний раз пытался в это лезть, задача оказалась на удивление нетривиальной.

[yurikhan]

Я не очень ещё слежу за черновиком спецификации HTML5. Но, насколько я помню, одной из его selling points заявляли строгую формализацию того, как парсерам следует исправлять ошибки разметки. Ожидаю, что в ближайшем будущем появятся или уже появились библиотеки, реализующие парсинг HTML5 по текущему черновику спецификации.