Hierarchische Daten mit XML speichern

Die Auszeichnungssprache Extensible Markup Language (XML)

https://bildung.social/@oerinformatik/111959976268780082

https://oer-informatik.de/xml-einstieg

tl/dr; (ca. 10 min Lesezeit): Die Extensible Markup Language (XML) wird häufig zur Speicherung hierarchischer Daten genutzt. Der allgemeine Aufbau von XML und das Hauptmerkmal - die Wohlgeformtheit - wird im Artikel beschrieben. Dieser Artikel ist der erste Teil einer Artikelserie zu XML. (Zuletzt geändert am 12.09.2025)

Dieser Artikel ist Bestandteil einer Serie zu den XML-Grundlagen:

Teil 1: XML-Grundlagen und Wohlgeformtheit: Hierarchische Daten mit XML speichern mit zugehörigen Übungsaufgaben
Teil 2: XML-Dokumente gegen eine Document-Type-Definition validieren mit zugehörigen Übungsaufgaben
Teil 3: Namespaces für komplexere XML-Dokumente definieren
Teil 4: Die Struktur von XML-Dokumente gegen ein XSD-Schema validieren
Teil 5: Datentypen-Definitionen eines XML-Schema zur Validierung nutzen

Nach Durchlesen des Artikels kann ich…

… Anwendungsfälle und Alleinstellungsmerkmale des Datentyps XML benennen,
… die Kriterien nennen und anwenden, die eine XML-Datei erfüllen muss, um wohlgeformt zu sein,
… den Unterschied zwischen einer wohlgeformten und validen XML-Datei erklären,
… verschiedene Möglichkeiten benennen, mithilfe derer ich Zeichen in XML maskieren kann,
… und den Unterschied und die Gemeinsamkeiten zwischen HTML und XML benennen.

Wofür wird XML verwendet? Anwendungsfälle und Beispiele

Die Auszeichnungssprache XML dient zur Speicherung hierarchischer Daten, deren Struktur (und ggf. auch Datenformat) validierbar sein und deklarativ beschrieben werden sollen.

Die XML erinnert durch ihren Aufbau mit Tags (von spitzen Klammern umschlossene Bereiche) stark an die Internet-Auszeichnungssprache HTML. Tatsächlich stammen beide von der Standard Generalized Markup Language (SGML) ab, die aber selbst heute keine große Rolle mehr spielt und weitgehend unbekannt ist.

Sowohl XML als auch HTML erben von der SGML. XHTML ist wiederum eine Implementierung der XML mit den Elementen von HTML

XML-Dokumente zeichnen sich dadurch aus, dass

Daten hierarchisch in einer Baumstruktur abgelegt werden,
die grundlegende Syntax immer gewährleistet ist, wenn das XML-Dokument den Regeln der Wohlgeformtheit entspricht,
die Struktur der Daten festlegbar und überprüfbar (validierbar) ist (mit DocumentTypeDefinitions oder Schema),
der Inhalt der Daten festlegbar und überprüfbar (validierbar) ist (mit Schema),
das Format beliebig erweiterbar ist und
es sich um einen weitverbreiteten Standard des W3C handelt.

Beispiele für XML-Dateien

XML-Dateien begegnen uns in der Praxis an sehr unterschiedlichen Stellen:

Die gängigen Office-Dokumente sind gezippte XML-Dateien: Das gilt sowohl für das OpenXML-Format von Microsoft (*.docx/*.xlsx) als auch für das OpenDocumentFormat, wie es z.B. LibreOffice nutzt (*.odf). (Wer es nicht glaubt: einfach mal ein Word-Dokument entzippen und die entpackten Dateien im Editor öffnen).
Die Beschreibung von grafischen Benutzeroberflächen (GUI) wird häufig als XML-Struktur abgelegt (XAML bei C#/WPF, FXML bei JavaFX, XHTML als XML-Variante für Websites)
Als RSS-Feeds, mit denen wir Nachrichten, Podcasts usw. folgen können sind als XML aufgebaut (z.B. der Feed von dieser Seite ist hier erreichbar).
XML wird genutzt zur Speicherung der Daten von Outdoor-Apps, als Konfigurationsdatei (Beispielsweise die pom-xml des Build-Tools Maven).

Warum wird nicht einfach JSON, YAML oder CSV genutzt? Was ist das Alleinstellungsmerkmal von XML?

Ohne einen tieferen Blick in die Bestandteile von XML geworfen zu haben, fallen zunächst zwei Unterschiede auf:

Im Vergleich zu CSV-Dateien: XML-Dokumente sind gut geeignet, um ein hierarchisches Datenmodell (eine Baumstruktur) abzubilden. CSV-Dateien eignen sich für relationale Modelle (also nicht für Baumstrukturen, sondern für Daten, die sich tabellarisch erfassen lassen).
JSON und YAML sind zwar geeignet, um hierarchische Daten in variablen Baumstrukturen abzubilden, bieten aber keine Möglichkeit, die Datenstruktur und den Dateninhalt innerhalb des Datenformats zu beschreiben und über einen allgemeinen Parser zu validieren. Sowohl die Dokumentation als auch die Validierung jeweils individuell programmiert werden.

XML-Dokumente verfügen über zwei Qualitätsmerkmale:

Sie müssen wohlgeformt (well formed) sein. Wohlgeformt ist die Bezeichnung dafür, dass ein Dokument den allgemeinen XML-Regeln entspricht. Nur wohlgeformte XML-Dateien werden von Parsern interpretiert. Die Regeln folgen in den kommenden Absätzen.
Darüber hinaus können wohlgeformte XML-Dateien in Struktur und Inhalt einem definierten Aufbau entsprechen: Man spricht dann von gültigen (valid) XML-Dokumenten. Valide können XML-Dateien gegen ein XML-Schema (XSD) oder gegen eine DocumentTypeDefinition (DTD) sein. Die Erklärung dieser beiden Eigenschaften folgt in weiteren Artikeln.

Bestandteile eines XML-Dokuments

Wir betrachten als Beispiel eine vereinfachte GPX-Datei einer Outdoor-App:

Beispiel einer GPX-XML-Datei, in der Prolog, Wurzelelement, Start- und Endtags sowie ein leeres Element gekennzeichnet sind.

Kernbestandteil von XML-Dokumenten sind Elemente:

Elemente werden in Tags eingefasst. Es gibt öffnenden Tags (Starttag: <name>), deren Namen nach der spitzen Klammer steht, und schließende Tags (Endtag: </name>), bei denen ein Slash dem case-sensitive-Tagnamen des zugehörigen Starttags vorangestellt wird. Zwischen diesen beiden Tags steht der Elementinhalt (Content).
Elemente ohne Inhalt können in Kurzschreibweise mithilfe des empty Element Tags abgekürzt werden: hier wird Starttag und Endtag in einem einzigen Tag zusammengefasst, der mit dem Slash vor der spitzen schließenden Klammer beendet wird: (statt <link href="https://www.komoot.de"><link/> kann man kurz schreiben: <link href="https://www.komoot.de" />)
Das erste sich öffnende Element nennt sich Wurzelelement (Root-Element oder Document Element). Im obigen Beispiel ist das Wurzelelement <gpx ...>...</gpx>. Es darf auf der Ebene des Root Elements kein zweites Element geben.
Neben Elementeinhalt (content, also Text oder weitere Elemente zwischen öffnenden und schließendem Tag) können Elemente auch Daten in Attributen speichern. Diese werden als Key/Value-Paare durch Gleichheitszeichen getrennt, wobei die Values in einfache oder doppelte Anführungszeichen eingeschlossen werden. Innerhalb eines Tags darf jeder Key nur einmal vorkommen und die Values dürfen keine schließende spitze Klammer enthalten. Im obigen Beispiel finden sich Attribute in dem Element <trkpt lat="52.022650" lon="8.549855" />.´

Allgemeiner Aufbau rund um das Wurzelelement

Ein XML-Dokument besteht aus dem Prolog und dem Wurzelelement.

Der Prolog ist optional. Er beginnt mit der ebenso optionalen XML-Deklaration - im obigen Beispiel <?xml version='1.0' encoding='UTF-8' standalone='yes'?>. Falls eine XML-Deklaration enthalten ist, muss diese direkt am Anfang stehen.

Weiterhin können im Prolog Verarbeitungshinweise (Processing Instructions) stehen sowie - wie überall in XML-Dokumenten - Whitespaces und Kommentare.

Kommentare werden zwischen  eingeschlossen (wobei das jeweils erste und letzte Zeichen des Kommentarinhalts kein weiteres - sein darf):  und . Innerhalb eines Kommentars darf kein doppelter Bindestrich vorkommen: 

Verarbeitungshinweise (Processing Instructions) werden zwischen <? und ?> eingeschlossen. Mit ihnen werden beispielsweise DocumentType-Definitions eingebunden, die Vorgaben an die Struktur des XML-Dokuments definieren.

Auf den Prolog folgt das eine Wurzelelement und dessen Elementinhalt. Innerhalb des Wurzelelements dürfen auch Kommentare und Whitespaces genutzt werden.

Optional dürfen nach dem Wurzelelement nur noch Kommentare, Verarbeitungshinweise oder Whitespaces folgen.

Die Regeln der Wohlgeformtheit (well-formed constraints)

Ein XML-Dokument ist wohlgeformt (well-formed), wenn (kursiv in Klammer die Bezeichnungen im Standard):

End-Tags denselben case-sensitiven Namen tragen wie zugehörige Start-Tags
es genau ein Root-Element (auch document element genannt) gibt,
vor dem Root-Element optional der Prolog, nach dem Root-Element höchstens Kommentare oder Verarbeitungshinweise stehen,
alle nicht leeren Elemente mit einem Endtag gleichen Namens (case-sensitiv) geschlossen werden (Element Type Match)
alle Elemente innerhalb derselben Elemente geschlossen werden, innerhalb derer sie geöffnet werden (also in umgekehrter Reihenfolge schließen wie öffnen),
enthaltene Texte sich aus Unicode-Zeichen zusammensetzen (bis auf wenige nicht erlaubte Steuerzeichen, siehe link) (Legal Character),
enthaltene Element- und Attributnamen nicht mit Punkt, Zahlen, der Zeichenfolge “xml|XML|xMl…” und Bindestrich beginnen (sowie weiteren, weniger gebräuchlichen Zeichen wie dem Malpunkt #xB7 und diakritischen Zeichen #x0300-#x036F und #x203F-#x2040)
Attributnamen innerhalb eines Tags nur einmal vorkommen (Unique Att Spec),
Attributwerte in einfachen oder doppelten Anführungszeichen eingeschlossen sind und kein < enthalten (No `<`` in Attribute Values),
Attributwerte keine externen Entitäten referenzieren (No External Entity References)
Document-Type-Definition (falls vorhanden) sich auch an die Regeln der Wohlgeformtheit halten (PEs in Internal Subset, External Subset, PE Between Declarations)
alle referenzierten Entitäten auch wohlgeformt sind (hierzu im nächsten Artikel mehr, Entity Declared, Parsed Entity, No Recursion, In DTD)

Alle Parser brechen die Verarbeitung von nicht wohlgeformten XML-Dateien ab. Auch Browser haben in der Regel einen integrierten XML-Parser, mit denen man ein wohlgeformtes XML-Dokument betrachten und bei einem nicht wohlgeformten XML-Dokument eine Fehlermeldung erhält.

Wo können in XML überall Nutzdaten gespeichert werden?

In XML-Dokumenten können Daten auf unterschiedliche Weise an verschiedenen Stellen gespeichert werden:

als Elementeinhalt zwischen Start- und Endtag,
als Attributwert zwischen den einfachen oder doppelten Anführungszeichen,
als Elementname,
als Attributname und
in der Struktur (Reihenfolge) der Elemente.

(Zusätzlich können Informationen natürlich auch in Kommentaren stehen, wenngleich das ein denkbar schlechter Ort ist.)

Ungültige Zeichen, CDATA und Entities

Die Daten können nahezu den ganzen Unicode-Zeichenumfang nutzen (bis auf wenige nicht erlaubte Steuerzeichen, siehe link) und als normale Zeichenketten gespeichert werden. Jedoch werden beispielsweise die spitzen Klammern als XML-Bestandteil interpretiert. Es ist daher nicht einfach so möglich, XML- oder HTML-Tags als Content in XML-Dateien zu speichern.

Ein Weg, Daten zu maskieren, damit sie nicht als XML-Markup interpretiert werden, stellen die CDATA-Blöcke dar, die mit <![CDATA[ eingeleitet und mit ]]> abgeschlossen werden. In ihnen darf alles enthalten sein, außer die Zeichenfolge ]]>. Wenn also in XML beispielsweise ein fett-geschriebener HTML-Textschnipsel gespeichert werden soll, so lautet das zugehörige CDATA-Tag:

<![CDATA[ <b>bold</b> ]]>

XML bietet einige interne Entities, die genutzt werden können, Konflikte mit Zeichen besonderer Bedeutung zu verhindern:

< repräsentiert das < (relevant bei mathematischen Vergleichen oder wenn Tags als Inhalt gespeichert werden sollen, z.B. <b>bold</b>)
> repräsentiert das > (relevant bei mathematischen Vergleichen oder wenn Tags als Inhalt gespeichert werden sollen, z.B. <b>bold</b>)
& repräsentiert das & (relevant in allen Zeichenketten, z.B. <text>Hinz&Kunz</text>)
' repräsentiert das ' (relevant in einfach angeführten Attributwerten, z.B: stringdelimiter=''')
" repräsentiert das " (relevant in doppelt angeführten Attributwerten, z.B: stringdelimiter=""")

Auf die Möglichkeit, eigene Entities zu definieren, gehe ich im DTD-Artikel ein.

Zum Abschluss: Welcher Standard ist derzeit gültig?

Die derzeit aktuelle und meist genutzte Version des Standards heißt nach wie vor Version 1.0. Sie ist mittlerweile in der “Fifth Edition” verfügbar, die sich nur unwesentlich (v.a. im Umgang mit Unicode) von den vorigen Editionen unterscheidet. Sie findet sich hier (XML 1.0, Fifth Edition).

Es existiert parallel eine weniger verbreitete Version, irritierenderweise mit höherer Versionsnummer: XML 1.1 (link). In dieser wurden neue Wege beschritten, Unicode und Zeilenumbrüche einzubinden, die später auf anderem Weg in die oben genannte Fifth Edition eingeflossen sind. Für die allermeisten Anwendungsfälle ist XML 1.0 der Weg der Wahl. Wer mit besonderen Zeilenumbrüchen operieren muss (#x85) oder darauf angewiesen ist, Element- und Attributnamen aus einem größeren Umfang von Unicode zu erstellen, als dies bei XML 1.0 möglich ist, der möge einen Blick auf die Unterschiede werfen, die hier konkreter beschrieben werden

Links und weitere Informationen

Hinweis zur Nachnutzung als Open Educational Resource (OER)

Dieser Artikel und seine Texte, Bilder, Grafiken, Code und sonstiger Inhalt sind - sofern nicht anders angegeben - lizenziert unter CC BY 4.0. Nennung gemäß TULLU-Regel bitte wie folgt: “Die Auszeichnungssprache Extensible Markup Language (XML)” von oer-informatik.de (H. Stein), Lizenz: CC BY 4.0. Der Artikel wurde unter https://oer-informatik.de/xml-einstieg veröffentlicht, die Quelltexte sind in weiterverarbeitbarer Form verfügbar im Repository unter https://gitlab.com/oer-informatik/datenformate/xml. Stand: 12.09.2025.

[Kommentare zum Artikel lesen, schreiben] / [Artikel teilen] / [gitlab-Issue zum Artikel schreiben]