LM
LENGUAJES DE MARCAS Tema 8
Apuntes básicos del Tema 8
Introducción a XPATH
Contenidos:
8.0 Introducción y definición.
8.1 XML en forma de árbol.
8.2 Trayecto de búsqueda
8.3 Ejes
8.4 Nodos de comprobación
8.5 Predicados
8.6 Funciones
8.7Expresiones y operadores
8.0- Introducción y definición
Lo que hemos aprendido hasta ahora con XML y sus tecnologías asociadas nos dejan claro que se
trata de un sistema de almacenamiento de información fiable y ordenada, de forma que los
distintos documentos que siguen un patrón determinado tendrán un contenido homogéneo que
garantice la compatibilidad de la información. Para ello hemos dispuesto de herramientas y
técnicas que validaban los documentos creados, mediante DTD o esquemas, que filtraban
cualquier error de contenido que no se adaptase a la estructura establecida.
Pero la clave que justifica utilizar XML no se queda solo en almacenar, sino también en extraer
esa información que, si el documento ha sido comprobado con la correspondiente validación, ya
Profesora: Teresa Galarza 1 v0(27022012))
LM
LENGUAJES DE MARCAS Tema 8
sabemos que existirá y será posible localizar sus componentes de forma sencilla y adecuada.
El consorcio W3C fue consciente de ello y poco después de publicar las especificaciones XML
comenzó a emitir las primeras recomendaciones XPath.
Se usa el término Path ya que la estructura está inspirada en el conocido File Path o ruta de
acceso usada en el S.O. para carpetas y archivos (veremos posteriormente que la barra “/” inicia el
camino absoluto que luego le seguirá los hijos y descendientes). Sin embargo se ha de tener clara
desde el principio la diferencia consistente en que en una ruta de ficheros se devolvería el propio
(y único) fichero final, mientras que en la estructura de Xpath se devuelve una referencia a
TODOS los elementos que cumplan la expresión .
XML Path, que utilizamos por su abreviado Xpath, es un lenguaje declarativo que se basa en la
utilización de unas determinadas expresiones que forman un conjunto de reglas sintácticas y que
permiten hacer búsquedas y seleccionar partes del documento XML, apoyándose para ello en una
estructura jerárquica que interpreta el contenido como un árbol de nodos.
Al decir que XPath es un lenguaje declarativo nos referimos a que no se trata de los conocidos
lenguajes procedurales (C, Java, Pascal, etc.,) que usan la programación imperativa, es decir,
necesitan un algoritmo para describir los pasos que debe seguir el programa para alcanzar su
resolución. Por el contrario, los lenguajes declarativos como XPath solo describen el problema,
(por ejemplo, decir lo que quieren encontrar) y si la sintaxis es la adecuada, el sistema ya tiene los
mecanismos internos para dar la respuesta correspondiente.
Hemos de admitir que XPath es un lenguaje sofisticado y complejo, agravado por la circunstancia
de que al igual que el resto de tecnologías XML esta en un estado de relativo desarrollo, que
dificulta su uso en todas las funcionalidades teóricamente previstas. Por esa razón en este tema y
teniendo en cuenta las limitaciones temporales del curso se expondrá una visión general teórica
del contenido, aunque las prácticas y ejemplos tendrán una aplicación simplificada de sus
inmensas posibilidades.
Además, hemos de entender que el verdadero significado de la aplicación de XPath está en su
utilización conjunta con otras tecnologías, como es XSLT que veremos en los próximos
temas, y que se ocuparán de hacer transformaciones sobre los documentos XML para convertirlos
en otros documentos (bien sean otros documentos XML, o documentos XHTML preparados para
usar plenamente las hojas de estilo). Para usarlo en esas trasformaciones XPath no necesita
herramientas auxiliares, pero para practicar las búsquedas de forma aislada (que es lo que haremos
en este tema como paso previo para entender su base practicando y a modo de ensayo) es
Profesora: Teresa Galarza 2 v0(27022012))
LM
LENGUAJES DE MARCAS Tema 8
necesario un programa que nos muestre el resultado de la evaluación de las expresiones que
aplicamos, y para ello seguiremos disponiendo del XML CopyEditor, que aunque es muy básico
nos mostrará los nodos que hayan sido seleccionados.
8.1 XML en forma de árbol.
Para comprender el funcionamiento de XPath debemos ver siempre el documento XML como un
árbol de nodos, que se conoce como estructura jerárquica en árbol.
Entendemos como nodo cualquier parte del documento XML, pudiendo ser uno de los siguientes:
• Raíz
• Elementos
• Texto
• Atributos
• Instrucciones de proceso
• Espacios de nombres
• Comentarios
Aunque las expresiones XPath procesan principalmente nodos de elementos y atributos.
El elemento raíz (representado como /) no es lo mismo que la raíz del documento, ya que el
primero puede contener además del elemento principal el prólogo o instrucción de proceso.
Siempre tendremos un elemento raíz que está por encima y contiene todo el documento. De esta
Profesora: Teresa Galarza 3 v0(27022012))
LM
LENGUAJES DE MARCAS Tema 8
forma, hemos de entender que es simplemente la raíz conceptual del documento.
Podemos imaginarnos una representación gráfica de cualquier documento mediante un gráfico
que asocie su estructura con esa estructura de árbol, como en el siguiente ejemplo sencillo sobre la
identificación de una persona:
Si tenemos el siguiente documento básico XML:
<persona>
<nombre_completo>
<nombre>LUIS</nombre>
<apellidos>
<paterno>LOPEZ</paterno>
<materno>MAYO</materno>
</apellidos>
</nombre_completo>
<edad>28</edad>
<estudios>ESO</estudios>
</persona>
Podemos visualizarlo con una estructura de árbol tal y como lo entendería XPath similar a:
No existe una normalización sobre la forma de presentar el contenido del árbol. En este caso se ha
reflejado el nombre de los elementos en la línea que conecta a los nodos, y su valor dentro de él.
Podemos ver así claramente la estructura, que los valores no tienen descendientes (se para allí el
arbol), y cómo están anidados.
Podría haber sido alternativamente representado por cajas o rectángulos, o poner el nombre del
elemento en los círculos y su valor mediante otro sistema. Lo importante es que relacionemos
gráficamente la estructura del documento con esa representación arbórea.
Profesora: Teresa Galarza 4 v0(27022012))
LM
LENGUAJES DE MARCAS Tema 8
Así podremos también tener en cuenta el orden del documento (además de su estructura) para ver
cuando las expresiones nos devuelven los elementos en el mismo orden en que se encuentran en el
documento. Aunque habrá que tener presente que sin embargo los atributos no tienen orden
preestablecido.
8.2 Trayecto de búsqueda
La relación que existe entre los distintos niveles del documento puede ser muy simple, como la
que se desprende de padres a hijos, pero la evaluación de XPath tendrá en cuenta el eje sobre el
que se mueve, es decir la dirección en la que se debe evaluar la expresión, moviéndose en el árbol
hacía arriba , buscando padres(parent) y otros antecesores (ancestor) o hacia abajo, buscando
hijos (child) o descendientes(descendant).
Además las rutas pueden ser absolutas o relativas. Una ruta absoluta comienza siempre con el
símbolo “/” ya que hace referencia al nodo raíz, y va seguida de la lista de los elementos hijo,
separados en cada nivel por la “/”, formando el camino de la propia expresión de búsqueda,
mientras que una ruta relativa tiene en cuenta la posición en la que se encuentra en ese momento,
es decir, el nodo de contexto.
Las limitaciones impuestas por la sencillez de la herramienta
que utilizamos para las pruebas en este tema nos llevarán a
probar solamente expresiones que partan de rutas absolutas.
Recordemos que el uso completo y adecuado de XPath lo
pondremos en práctica embebiéndolo en las
transformaciones que realicemos en los temas siguientes
dentro de XSALT y que no necesitarán herramientas
auxiliares
Los elementos que forman parte de un trayecto de búsqueda se suelen clasificar en tres tipos
-Ejes
-Nodos
-Predicados
y aunque la sintaxis formal sigue el modelo:
eje :: nodo [predicado]
nosotros simplificaremos siempre que sea posible las expresiones por lo que el primer paso de la
sintaxis (eje::) será sustituido por la abreviatura que en cada caso corresponda.
Profesora: Teresa Galarza 5 v0(27022012))
LM
LENGUAJES DE MARCAS Tema 8
No vamos a profundizar en todos los detalles y particularidades de la sintaxis de XPath, algunas
de cuyas características se comprobarán en el tema siguiente, pero vamos a mostrar especialmente
algunos pasos y abreviaciones que son de uso más común. Resaltamos ya algunos conceptos
básicos que en algunos casos se volverán a comentar en su apartado correspondiente, y para ello
recurriremos a nuestro conocido ejemplo de peliculas (de momento con una sola), utilizado en los
temas anteriores:
<?xml version="1.0" encoding="UTF-8"?>
<filmoteca>
<pelicula
estreno="1942" minutos="102 ">
<titulo>Casablanca </titulo>
<director>Michael Curtiz</director>
<guion>
<guionista>Julius J. Epstein </guionista>
<guionista>Philip G. Epstein</guionista>
<guionista>Howard Koch </guionista>
</guion>
<reparto>
<interprete papel="protagonista">Humphrey Bogart</interprete>
<interprete papel="protagonista"> Ingrid Bergman</interprete>
<interprete papel="secundario">Paul Henreid</interprete>
<interprete papel="secundario">Claude Rains</interprete>
<interprete papel="secundario">Conrad Veidt</interprete>
<interprete papel="secundario">Curt Bois</interprete>
</reparto>
<esloganes>
<eslogan> El mito hecho celuloide</eslogan>
<eslogan>La obra maestra absoluta</eslogan>
<eslogan>Puede que nunca se haga una película mejor</eslogan>
</esloganes>
</pelicula>
<!-- otras peliculas -->
</filmoteca>
([Link])
• Una ruta estará formada por distintos pasos separados con ”/”.
ejemplo 1: /filmoteca/pelicula/titulo
nos devuelve como resultado :<titulo>Casablanca </titulo>
ejemplo 2:/filmoteca/pelicula/guion/guionista
nos devuelve como resultado:
<guionista>Julius J. Epstein </guionista>
<guionista>Philip G. Epstein</guionista>
<guionista>Howard Koch </guionista>
• El nodo contexto (Self) es en el que nos encontramos en un momento determinado. Se
representa abreviadamente con un punto (.) pero su utilización tiene sentido en rutas
relativas
Profesora: Teresa Galarza 6 v0(27022012))
LM
LENGUAJES DE MARCAS Tema 8
El ejemplo 1 anterior puede expresarse como /filmoteca/pelicula/titulo/. aportando
el mismo resultado, por lo que no suele utilizarse en las rutas absolutas.
• Se puede seleccionar cualquier nodo que sea descendiente sin necesidad de describir todo el
camino, usando “//” (que como repetiremos luego, es la abreviatura de eje “/descendent::”)
De esta forma se pueden seleccionar todos los elementos del documento que cumplan las
condiciones pero sin tener en cuenta la ruta anterior.
Ejemplo://guionista es equivalente y da el mismo resultado que el ejemplo anterior
filmoteca/pelicula/guion/guionista
• El operador “ | “ puede utilizarse para seleccionar varios recorridos alternativos.
Ejemplo:/filmoteca/pelicula/titulo |/filmoteca/pelicula/director
Tendría como resultado:
<titulo>Casablanca </titulo>
<director>Michael Curtiz</director>
y sería equivalente a la expresión //titulo |//director
• Podemos seleccionar atributos mediante @
Ejemplo:/filmoteca/pelicula/@estreno
da como resultado:
estreno="1942"
8.3 Ejes
Los ejes se refieren a dirección en la que nos podemos mover dentro del documento,
especialmente cuando estamos en una ruta relativa (Aunque recordemos que esas rutas relativas
NO los utilizaremos inicialmente en las pruebas de los ejemplos de este tema, pero pueden
servirnos para temas posteriores dónde utilizaremos XPath en el contexto de otras tecnologías):.
Ya nos hemos referido a ellos en algún caso al tratar la sintaxis simplificada, y a modo de
ampliación (aunque la mayoría se representarán mediante sus alternativas de abreviatura más
simplificadas) los siguientes son algunos seleccionados:
Profesora: Teresa Galarza 7 v0(27022012))
LM
LENGUAJES DE MARCAS Tema 8
child:: Es el eje por defecto, ya que se refiere al contenido del nodo actual, por
lo que NO SE USA
descendant:: Cualquier nodo descendiente del nodo contexto.
Lo utilizamos abreviadamente como //
self:: Nodo actual
Se representa abreviadamente como un punto ( . )
attribute:: Sirve para localizar los atributos de un nodo, y se representa
abreviadamente como @
parent:: Es el padre del nodo actual
Se identifica abreviadamente mediante los dos puntos ( .. )
ancestor:: Localiza todos los antecesores del del nodo actual, es decir, el padre, el
padre del padre, etc., hasta el nodo raíz. No tiene forma abreviada.
8.4 Nodos de comprobación
Se les llama también filtros o nodo test y se encargan de hacer la identificación de la selección en
un eje.
Los más útiles pueden ser:
Conocido como wilcard según la jerga del
* tenis.
Sirve para seleccionar el nodo teniendo en
cuenta su nivel en el arbol.
Por ejemplo:
/*/*/*/eslogan Obtendría los elementos
eslogan que tienen tres antecesores ( están en
cuarto nivel) , mientras que /*/eslogan no
devolvería ningún elemento ya que no se
encuentra en el segundo nivel.
También sirve para seleccionar todos los
elementos hijos de un trayecto:
/*/*/*/* Obtiene todos los nodos que están en
cuarto nivel
//*/reparto/* Obtiene todos los interpretes, ya
que son hijos de reparto.
text() Devuelve los nodos de tipo texto, es decir los
valores. Por ejemplo //guionista/text() en
nuestro ejemplo inicial devolvería:
Julius J. Epstein
Philip G. Epstein
Howard Koch
node( ) Localiza todos los nodos de cualquier tipo
(no se usa habitualmente)
Profesora: Teresa Galarza 8 v0(27022012))
LM
LENGUAJES DE MARCAS Tema 8
8.5 Predicados
Las expresiones que permiten restringir o filtrar un conjunto de nodos dentro del trayecto
especificado siguiendo un criterio determinado se denominan predicados, y se escriben entre
corchetes […].
Para continuar haciendo más ejemplos ampliaremos nuestros XML de películas, añadiendo otra
obra maestra:
<?xml version="1.0" encoding="UTF-8"?>
<filmoteca>
<pelicula
estreno="1942" minutos="102 ">
<titulo>Casablanca</titulo>
<director>Michael Curtiz</director>
<guion>
<guionista>Julius J. Epstein</guionista>
<guionista>Philip G. Epstein</guionista>
<guionista>Howard Koch</guionista>
</guion>
<reparto>
<interprete papel="protagonista">Humphrey Bogart</interprete>
<interprete papel="protagonista">Ingrid Bergman</interprete>
<interprete papel="secundario">Paul Henreid</interprete>
<interprete papel="secundario">Claude Rains</interprete>
<interprete papel="secundario">Conrad Veidt</interprete>
<interprete papel="secundario">Curt Bois</interprete>
</reparto>
<esloganes>
<eslogan> El mito hecho celuloide</eslogan>
<eslogan>La obra maestra absoluta</eslogan>
<eslogan>Puede que nunca se haga una película mejor</eslogan>
</esloganes>
</pelicula>
<pelicula estreno="1960" minutos="125 ">
<titulo>El apartamento</titulo>
<director>Billy Wilder</director>
<guion>
<guionista>Billy Wilder</guionista>
<guionista>I.A.L. Diamond</guionista>
</guion>
<reparto>
<interprete papel="protagonista">Jack Lemmon</interprete>
<interprete papel="protagonista">Shirley MacLaine</interprete>
<interprete papel="secundario">Ray Walston</interprete>
<interprete papel="secundario">Edie Adams</interprete>
</reparto>
<esloganes>
<eslogan>La obra maestra del genio Wilder</eslogan>
<eslogan>Para los que no creemos en Dios pero creemos en Billy Wilder</eslogan>
<eslogan>Perfecta para hacerme reír y llorar</eslogan>
</esloganes>
</pelicula>
<!-- otras peliculas -->
<filmoteca>
([Link])
Profesora: Teresa Galarza 9 v0(27022012))
LM
LENGUAJES DE MARCAS Tema 8
Ejemplos
/filmoteca/pelicula[titulo="Casablanca"]
Nos extraerá los nodos de la pelicula Casablanca
/filmoteca/pelicula[director="Billy Wilder"]
No extraerá los nodos de la pelicula El apartamento
/filmoteca/pelicula[director="Billy Wilder"]/reparto
Nos devuelve
<reparto>
<interprete papel="protagonista">Jack Lemmon</interprete>
<interprete papel="protagonista"> Shirley MacLaine</interprete>
<interprete papel="secundario">Ray Walston</interprete>
<interprete papel="secundario">Edie Adams</interprete>
</reparto>
Usando el carácter @ para hacer restricciones respecto a los atributos podemos
hacer://interprete[@papel]
y nos devolvería todos los elementos que contienen el atributo papel. (Útil cuando el atributo es
optativo).
Podemos incorporarlo en la ruta:
//*[@*]/text()
y nos devuelve todos los valores de los elementos que tendrían algún atributo, en nuestro caso:
Humphrey Bogart
Ingrid Bergman
Paul Henreid
Claude Rains
Conrad Veidt
Curt Bois
Jack Lemmon
Shirley MacLaine
Ray Walston
Edie Adams
Se pueden suceder varios predicados, y su resultado dependerá de que se cumplan todos y cada
uno de ellos al mismo tiempo (un AND lógico):
//pelicula[titulo="Casablanca"] [director="Michael Curtiz"] Nos selecciona la película Casablanca
pero
//pelicula[titulo="Casablanca"] [director="Billy Wilder"] No encuentra ningún nodo
Profesora: Teresa Galarza 10 v0(27022012))
LM
LENGUAJES DE MARCAS Tema 8
8.6 Funciones
En XPath se dispone de una importante biblioteca de funciones predefinidas (más de 100) que
nos permiten encontrar nodos ampliando las herramientas y terminología que hemos visto
mediante la sintaxis vista hasta ahora.
El nombre de una función siempre termina con paréntesis ( ) y pueden contener información que
se pasa como parámetro dentro de ellos.
Comentamos aquí una pequeña selección, agrupándolas según criterios de su aplicación:
Funciones sobre los nodos
name() Devuelve el nombre del nodo
ejemplo://*[name()='reparto']
text() Obtiene el contenido de un nodo que tenga un valor
Ejemplo: /pelicula/guion/guionista/text()
nos devuelve el nombre de los guionistas
Funciones de posición
position() Obtiene la posición de un nodo en un conjunto de nodos.
Ejemplo: //interprete[position()=2]
Nos devuelve:
<interprete papel="protagonista"> Ingrid Bergman</interprete>
NOTA: se puede abreviar como //interprete[2]
last() Obtiene el último de un conjunto de nodos
Ejemplo: //interprete[last()]
Nos devuelve:
<interprete papel="secundario">Curt Bois</interprete>
count() Devuelve la cantidad de nodos localizado en el argumento
Ejemplo: count(/*/*/eslogan) devolvería 3
Pero en el XML CopyEditor no podemos comprobarlo, ya que solo
devuelve nodos. Aunque podemos hacer una prueba como
//*[count(*)=3] que selecciona los elementos con tres hijos, por lo que
nos devolvería los tres guionistas y los tres eslogan
Funciones de cadena
string() Convierte números a cadenas, aunque no es necesario ya que en
principio los números están en formato texto,pero puede ser útil para
convertir resultados de un cálculo.
string-length() Devuelve el número de caracteres de la cadena que contiene como
parámetro.
Podemos probar con //*[string-length(name()) =6] y nos devolvería el
elemento titulo por ser el único que tiene 6 caracteres.
Profesora: Teresa Galarza 11 v0(27022012))
LM
LENGUAJES DE MARCAS Tema 8
stars-with() Comprueba si el primer parámetro comienza por la letra (o letras) del
segundo parámetro
ejemplo:
//*[starts-with(name(),'t')] Devolvería los elementos titulo
contains() Indica si el primer parámetro contiene el segundo.
Por ejemplo :
//*[contains(name(),'tul')] tambien devuelve los elementos titulo
Nota: como se ha dicho al principio, existen más de 100 funciones
predefinidas, aquí solo se ha hecho una referencia a alguna de ellas,
las más importantes y/o que podían comprobarse con la herramienta
básica utilizada en este tema. En el próximo tema se ampliará alguna
función también usual y que ya tienen sentido dentro del contexto de
XSALT.
8.7 Expresiones y operadores
Solo a título informativo y de ampliación, estos son los operadores que se permiten utilizar en las
expresiones XPath, con lo que se puede realizar expresiones más complejas:
Operadores para + (suma)
expresiones - (resta)
numéricas * (multiplicación )
Div (división)
Mod (resto)
Operadores de = (igualdad)
relación para != (desigualdad)
comparaciones < , <= , >, >= (para las distintas comparaciones relacionales)
Operadores or, and y not
Booleanos
Profesora: Teresa Galarza 12 v0(27022012))