Marcaje Generalizado

MARCAJE
GENERALIZADO

“Las etiquetas de marcaje de un documento describen su estructura” (Charles Goldfarb)

El Lenguaje SGML
SGML son las siglas de “Standard Generalized Markup Language” (Lenguaje Estándar de Marcaje Generalizado). El concepto de “marcaje” o “señalamiento” se refiere a la asignación de atributos a las diferentes partes de un documento. Un atributo es un par “nombre-valor”, en donde “nombre” es el nombre del atributo y “valor”, el valor asociado al atributo.

SGML es un lenguaje genérico que nació para describir la estructura lógica del contenido de los documentos, pero su vocación y proyección es universal, más allá del mundo de la documentación. En efecto, aunque las aplicaciones actuales de este estándar se han enfocado hacia una sola forma de estructurar la información (el contenido de los documentos), el lenguaje es genérico, por lo que es potencialmente aplicable también a otras estructuras de información, incluidas las bases de datos. Actualmente SGML se ha liberado de los conceptos orientados a documento, de tal manera que es aplicable a la descripción de cualquier estructura de información, de forma conceptual e independiente de la aplicación o herramienta utilizada.

SGML es realmente un metalenguaje, pues es un lenguaje para definir lenguajes de marcaje específicos. Un lenguaje de marcaje específico tiene su vocabulario específico y una sintaxis que define las relaciones entre sus elementos.

La estructura lógica de un documento

La descripción de la estructura lógica de un documento se basa en la identificación de los tipos de elementos componentes (capítulos, secciones, párrafos, listas, etc.), sus atributos, así como las relaciones entre estos elementos. Esta descripción se realiza de forma totalmente independiente de los diferentes procesos que pueden realizarse con el documento:

Formateo o representación externa.
Búsqueda de información.
Selección de elementos componentes.
Conversión de formato.
Analizadores sintácticos.
Editores.
Etc.

Es lo que se denomina “Gestión de la Información Abierta” (OIM, en sus siglas en inglés), es decir, que la información esté disponible para todo tipo de aplicaciones.

La identificación de los diferentes elementos de un documento se realiza señalando o marcando dichos elementos mediante etiquetas (tags). Estas etiquetas tienen las siguientes características:

Se encierran entre paréntesis angulares con el fin de diferenciarlas del texto.
El principio de cada elemento se indica mediante una etiqueta inicial, que contiene el tipo de elemento (llamado identificador genérico, IG) y opcionalmente uno o más atributos que especifican características definidoras del elemento.
En este caso, el IG es “cap” (capítulo) y “nro” (número) es un atributo, cuyo valor asociado es 19.

Realmente el IG se puede considerar otro atributo, cuyo valor es precisamente el nombre del tipo de elemento (IG=cap). De esta forma, la sintaxis sería más homogénea:
Existe un atributo llamado ID, que es opcional. Es un identificador único, que sirve para distinguir el elemento de todos los otros que tengan el mismo IG.

IG e ID son atributos primarios. El resto de los atributos son secundarios.
El final de un elemento se indica mediante una etiqueta final, que comienza por "". Ejemplos:
Un elemento puede contener otros elementos. Incluso un tipo de elemento (IG) puede contener otro elemento del mismo tipo. El nivel de anidamiento se deduce por la posición del elemento a través de las etiquetas inicial y final. Ejemplo:
A veces no es necesario indicar el final de un elemento, pues queda implícito con la aparición de otro elemento a continuación. Ejemplo:

Marcaje generalizado vs. marcaje específico

El marcaje específico consiste en insertar, dentro del texto de un documento, controles relativos a un proceso determinado. Por ejemplo en el caso de un proceso de formateo del documento (presentación del texto):

El marcaje específico, llamado también procedural, tiene las desventajas siguientes:

Es rígido. Si se decide cambiar el estilo del documento, hay que revisar todos los controles.
Es un proceso lento y delicado que conduce a errores.
Requiere formación, incluso definiendo macros (controles derivados), pues aunque éstas simplifican el marcaje, hay que añadirlas al vocabulario de controles primitivos.
No están claramente diferenciados los diferentes elementos o componentes de un documento, lo que puede conducir a ambigüedades respecto a los controles.

En cambio, con el marcaje generalizado, se consigue:

Sencillez.
El marcaje es una operación sencilla en la que es difícil cometer errores porque lo único que hace es describir la estructura del documento.
Claridad.
Un documento con marcaje generalizado permite comprender fácilmente su estructura.
Accesibilidad.
Se identifican los elementos de los documentos, logrando así que se consideren recursos de información disponibles y accesibles, con la información liberada y no oculta.
Apertura a aplicaciones.
La accesibilidad de la información abre el documento a múltiples aplicaciones.
Abstracción. Permite separar o abstraer la estructura lógica del documento y el contenido (el texto).

Defición de tipos de documentos

En SGML, la definición de un tipo de documento se realiza mediante una DTD (Document Type Definition, Definición de Tipo de Documento), que especifica las restricciones estructurales que se imponen a los documentos de un cierto tipo. Existen DTDs definidas para aplicaciones militares, en la industria aeronáutica, en grandes corporaciones, etc.

El lenguaje de las DTDs se realiza mediante una variante de la notación de las expresiones regulares [ver Aplicaciones – Lingüística – Gramáticas Formales y Expresiones Regulares], en la que se utilizan los símbolos siguientes:

Símbolo	Significado
&	Unión de elementos de un conjunto (elementos en cualquier orden)
,	Separación de elementos de una secuencia
( )	Agrupación de elementos
\|	Elementos alternativos
?	Elemento opcional
^*	Repetición de un elemento cero o más veces
⁺	Repetición de un elemento una o más veces

Limitaciones de SGML

Se ha dicho que SGML camina entre el humanismo y la ciencia. En efecto, el sistema de codificación de los documentos es muy intuitiva y permite su fácil comprensión, todo ello debido a que está basado en el concepto de atributo, que posee un alto nivel semántico. Pero SGML adolece de muchas limitaciones:

No es un lenguaje en sí mismo. Es solo un sistema sintáctico para describir o representar (en dominios particulares) estructuras jerárquicas de elementos definidos mediante atributos.
No es suficientemente genérico. Se le nota que el estándar nació orientado a documentos.
Aunque es un lenguaje definido para describir documentos concretos y tipos de documentos, no hay un lenguaje paralelo para su proceso, dejando a otros lenguajes esta tarea. En este sentido, el lenguaje no es completo, pues le falta el componente operativo.
El lenguaje de las DTDs es un lenguaje aislado y diferente de SGML. Y tiene las limitaciones de las expresiones regulares, sobre las que se apoya.
No se pueden establecer relaciones entre elementos a excepción de los de la jerarquía.
Los atributos están limitados a la forma “nombre=valor”. El valor de un atributo no puede ser compuesto, p.e. una secuencia (o conjunto) de valores, de otros atributos, etc.
No existen formas distributivas, repetitivas, condicionales, recursivas, etc.
No permite inferencias automáticas, como atributos derivados.

El Lenguaje XML
XML (eXtended Markup Language, Lenguaje de Marcaje Extendido) es un subconjunto de SGML, un SGML simplificado elaborado en 1998 por el W3C (WWW Consortium), para uso en Internet y en todo tipo de aplicaciones en general.

SGML es más potente y flexible que XML. En SGML es posible hasta cambiar la sintaxis de los paréntesis angulares. Pero SGML es más complejo y más difícil de implementar que XML. Actualmente SGML está siendo sustituido por XML, por ser éste más sencillo, porque se integra mejor en la Web actual y por ser una de las tecnologías elegidas para la futura Web Semántica [ver Aplicaciones – Informática – Web Semántica].

Ejemplo

Una estructura jerárquica de información especificada mediante XML es, por ejemplo la siguiente:

<Empleado Id/2126>
   <DatosPersonales>
     <Nombre>José Pons</Nombre>
     <AñoNac>1936</AñoNac>
     <LugarNac>Cartagena</LugarNac>
   </DatosPersonales>
   <DatosAcadémicos>
     <Título>Físico</Titulo>
     <AñoTitulo>1960</AñoTitulo>
   </DatosAcademicos>
</Empleado>

Limitaciones de XML

XML no es un lenguaje en sí mismo. Es un sistema formal para representar (en dominios particulares) estructuras jerárquicas de etiquetas con valores. La semántica no es formal, está implicita: el significado de un atributo se basa en su nombre y está orientado al consumo humano. Lo que sí hay es una semántica estructural basada en jerarquías de elementos.
La sintaxis es simple, pero no lo suficientemente simple, pues repite la etiqueta (al principio y al final).
No existen más relaciones entre los elementos que las establecidas a través de la jerarquía.
Los atributos están limitados a la forma "nombre = valor". El valor de un atributo no puede ser compuesto, p.e. una secuencia (o conjunto) de valores, de otros atributos, etc.
El lenguaje es declarativo, sin componente operativo.
No existen formas distributivas, repetitivas, condicionales, recursivas, etc.
No permite realizar inferencias.

XML Schema (XMLS)

XML Schema es un lenguaje orientado a definir tipos o estructuras de documentos XML, es decir, los documentos válidos sintácticamente. Tiene la ventaja de que su sintaxis es también XML (al contrario que las DTDs, que no tienen notación SGML).

Limitaciones:

La sintaxis es compleja, rígida y poco natural.
Los tipos de datos están limitados, y no constituyen un sistema robusto como el existente en los lenguajes de programación.
Es un lenguaje aislado, especializado en la definición de tipos de documentos XML.
No es posible definir esquemas de esquemas, es decir, jerarquías de tipos de documentos.
La herencia de tipos de datos (adoptada de los lenguajes de programación orientados a objetos) es muy compleja.
No es posible generar tipos de documentos de forma dinámica, al no existir un lenguaje base capaz de generarlos.

La universalidad de XML

XML se está aplicando actualmente para la especificación de todo tipo de estructuras de información. Se trata de una línea al menos discutible, pues pretender utilizar XML “para todo” conduce a una incoherencia similar a pretender en POO (Programación Orientada a Objetos) que “todo es un objeto”. Por ejemplo,

En POO la expresión a+b se interpreta como el mensaje a+ dirigido al objeto b.
En XML, esta misma expresión se representaría:

<expresión>
  <operando1>a</operando1>
  <operador>+</operador>
  <<operando2>b</operando2>
</expresión>

En el primer caso se comete un error semántico (de interpretación) y el segundo caso un error de representación, al adoptarse una complejidad innecesaria.

Hay que tener en cuenta que primero es la semántica y luego la sintaxis, que debe ser lo más sencilla, legible y adecuada posible y que evoque la semántica asociada.

MENTAL como Lenguaje de Marcaje Generalizado
MENTAL proporciona un lenguaje completo para la filosofía del marcaje generalizado, haciendo innecesario utilizar un lenguaje especial para este campo. Se puede aplicar a la especificación de todo tipo de estructuras de información, superando las limitaciones de SGML (y de su versión simplificada XML).

El marcaje con MENTAL se realiza fundamentalmente con la primitiva “/” (particularización):

La expresión primaria puede ser cualquier tipo (una secuencia, un conjunto, una expresión genérica, etc.), pero normalmente es una secuencia o un conjunto.
La expresión secundaria en general puede ser cualquier expresión, pero normalmente un nombre de atributo es suficiente.
Puede haber jerarquías de atributos.
No se necesita repetir el nombre del atributo porque los límites de un atributo (o conjunto de atributos) vienen dado porque el atributo afecta a la expresión primaria.

Ejemplo

En MENTAL, el ejemplo mencionado anteriorimente se especificaría así:


(Empleado/2126
  

   DatosPersonales/
    
     (Nombre/"José Pons"
    
      AñoNac/1936
         
      LugarNac/Cartagena)
  

  DatosAcadémicos/
    
     (Título/Físico
       
      AñoTítulo/1959)

)

Esta codificación se ha hecho de manera jerárquica para su mayor legibilidad, pero evidentemente se pueden realizar de forma totalmente lineal.

En este caso, los nombres de los atributos no se repiten como en XML.

Especificación de tipos de estructuras de marcaje

Se realiza mediante expresiones genéricas parametrizadas. Por ejemplo,


⟨Empleado(id nombre añonac lugarnac título añotítulo) = 

(Empleado/id
  

   DatosPersonales/
    
     (Nombre/nombre
    
      AñoNac/añonac
         
      LugarNac/lugarnac)
  

  DatosAcadémicos/
    
     (Título/título
       
      AñoTítulo/añotítulo)

)⟩

Uso, por ejemplo:


Empleado(2126 "José Rodríguez" "1936-07-23" Cartagena 1959)

Si se desean restringir los valores asociados a los parámetros, habría que incluir condiciones. Por ejemplo, la longitud, el tipo (numérico, alfanumérico, fecha, etc.), rangos de valores, etc.

Utilización de sintaxis XML

Podemos, si lo deseamos, utilizar la sintaxis XML. Para ello, podemos utilizar la definición siguiente:


⟨( <y>x</y> =: y/x )⟩

Como los paréntesis angulares y la barra tienen significado en MENTAL, habría que diferenciarlos mediante, por ejemplo, otro color. Se ha utilizado la sustitución potencial, por lo que se está indicando representación. Por ejemplo, la sentencia HTML

<p height=12 color=blue font=Arial>texto</p> representa en MENTAL a la expresión


texto/(height/12 color/blue Font/Arial)

Ventajas de MENTAL como lenguaje de marcaje generalizado

La notación es homogénea, mucho más simple y expresiva.
No se necesitan lenguajes diferentes y específicos: SGML, DTD, XML y XMLS.
Se diluye la distinción con un registro (jerárquico) de una base de datos.
Paradójicamente, pese a ser MENTAL un lenguaje muy simple (conceptual y sintácticamente), sus posibilidades son mucho mayores que SGML y XML, pues dispone de todas las posibilidades de un lenguaje completo: crear tipos de orden superior, realizar consultas, asignar nombres, acceder a los atributos, realizar modificaciones, evaluación diferida, inferencias automáticas, utilizar expresiones genéricas, compartidas, virtuales, enlazadas, etc.

Adenda
Origen de SGML

Charles F. Goldfarb (junto con Edward Mosher and Raymond Lorie), inventaron GML (que son también las iniciales de sus apellidos), el precursor de SGML, en 1969, en IBM, inventando el concepto de “marcaje” como un medio para estructurar y compartir el contenido de un documento entre diferentes aplicaciones. En 1974 nació SGML como evolución de GML, aunque tuvo que transcurrir más de una década hasta que se desarrolló totalmente y se estandarizó. El lenguaje SGML es un estándar internacional desde 1986 (ISO 8879).

El estándar no define las etiquetas, aunque un conjunto básico aparece como anexo al ISO 8879, en el que aparecen ejemplos de aplicación del lenguaje. Hoy día, SGML, aunque es un lenguaje ampliamente aceptado y difundido internacionalmente para el intercambio de información, se ha sustituido en la práctica por XML, por ser más sencillo.

Algunos desarrollos en SGML son:

El HTML (Hypertext Markup Language) es una DTD que se utiliza en la codificación de las páginas web de Internet. Se trata de un lenguaje orientado a la presentación del documento, junto con la definición de hiperenlaces entre los documentos. Existe una versión XML de HTML que se denomina XHTML, el lenguaje HTML con la sintaxis XML.
El TCIF (Foro de la Industria de las Telecomunicaciones) ha adoptado SGML en la documentación de sistemas y equipos de telecomunicaciones.
La industria de los ordenadores está aplicando la codificación SGML para la documentación on-line.
La asociación de editores americanos diseñó un conjunto de etiquetas para libros y revistas que se ha convertido en estándar ANSI.
La industria aeronáutica y la asociación de líneas aéreas ha desarrollado un conjunto de etiquetas SGML para el mantenimiento de aviones y manuales operativos.
El TEI (Text Encoding Iniciative) es un esfuerzo internacional para estandarizar la codificación de textos literarios.
El SDIF (SGML Document Interchange Format) es un estándar ISO 9069 (1988) para el intercambio de documentos SGML en un entorno de sistemas abiertos.

Una descripción completa de SGML puede encontrarse en [Goldfarb, 1991], escrito por el principal inspirador de este lenguaje. Un enfoque más práctico lo proporciona [Herwijnen, 1994]. [Wright, 1992] explica SGML como técnica para liberar la información.

Bibliografía

Castro, Elizabeth. Guía de aprendizaje XML. Pearson Education, S.A., 2001.
Clark, James. Comparison of SGML and XML. Internet.
Goldfarb, Charles F. The SGML Handbook. Oxford University Press, 1991.
Goldfarb, Charles F. The XML Handbook. Prentice Hall, 2003.
Goldfarb, Charles F. A Generalized Approach to Document Markup. SIGPLAN Notices, June 1981.
Goldfarb, Charles; Prescod, Paul. Manual de XML. Prentice Hall Iberia, 1999.
González, Oscar. XML. Anaya Multimedia, 2001.
Herwijnen, Eric van. Practical SGML. Springer, 1994.
Wright, Haviland. SGML Frees Information. BYTE, Junio 1992.