hcard-parsing-fr
parsage hCard
par Tantek Çelik
(traduction en cours Christophe Ducamp)
introduction
Quand j'ai d'abord conçu hCard, il était clair pour moi de savoir comment parser sans ambiguïté l'existence de hCards dans du (X)HTML arbitraire (et n'importe où pouvait être embarqué du (X)HTML arbitraire, par ex. RSS, Atom, "XML générique"), et les propriétés et valeurs de hCard.
J'ai travaillé directement avec Brian Suda pour capturer ces idées dans une implémentation, et Brian a écrit X2V, un script XSLT qui convertit les hCards en vCards, démontrant de ce fait simultanément, la parsabilité des hCards et l'utilité immédiate du contenu hCard interopérant avec les applications existantes massivement répandues de vCard.
Je vais maintenant documenter ces idées directement sur cette page, de façon à ce que des implémentations supplémentaires, plutôt que d'avoir à faire du reverse engineering sur X2V, puissent être construites à partir de ces concepts élémentaires.
étendue
Bien que cette page soit écrite spécifiquement pour expliquer comment parser hCard, les concepts et algorithmes contenus à l'intérieur servent comme exemple pour la façon dont d'autres microformats composés vont se faire parser.
Gestion URL
Un parseur hCard peut commencer par un URL à récupérer.
Si l'URL manque d'un identifiant fragment, alors le parseur devrait parser la ressource complète récupérée pour les hCards.
Si l'URL a un identifiant fragment, alors le parseur ne devrait paser que le noeud indiqué par l'identifiant fragment et ses descendants, chercher des hCards, démarrer avec le noeud indiqué, qui peut être lui-même un simple hCard.
nom classe racine
Chaque microformat composé commence par un élément racine ave un nom de classe relativement unique. Par cela, je veux dire un nom de classe qui n'est pas simplement un mot commun, et qui devra être peu probablement être utilisé à l'extérieur du contexte du microformat. En choisissant un tel nom de classe racine, le microformat évite (pour toutes les intentions pratiques) de rentrer en conflit avec des noms de classe existants qui peuvent exister dans le contexte (X)HTML. Ceci est essentiel pour permettre à de tels microformats composés d'être embarqués dans le contenu actuel, existant, tout comme le contenu futur.
Heureusement ce n'est pas un nouveau problème à résoudre. Les noms d'objts racine choisis pour la vCard (RFC 2426) et iCalendar (RFC 2445) ont eu de la même manière à éviter de telles collisions et l'ont fait en choisissant des noms qui devraient peu probablement être introduits à l'intérieur d'un objet contexte MIME. Le principe de réutilisation dicte le fait que nous devrions réutiliser les noms pour ces objets racine dans ces RFCs plutôt que d'inventer les nôtres. Compte tenu de la même sémantique, un design devrait réutiliser les noms, plutôt que d'inventer un second nom pour la même sémantique (une erreur commune de design produite dans des environnements qui requièrent des espaces-noms).
Dans la spécification vCard, les noms ne sont pas sensibles à la casse du aux (manque) d'exigences de leur contexte. Les noms de classes (X)HTML sont sensibles à la casse par ces spécifications. De ce fait, nous sommes obligés de choisir une casse canonique pour les noms de classe équivalents des noms d'objets, et des noms de propriéts de vCard. Toutes les bas de casse sont choisies pour suivre le réglage précédent (c'est à dire le modèle reuse) par le XHTML, ce qui devait de la même manière canoniser la casse de l'élément et les noms d'attributs que cela prenait du HTML4, qui lui-même était insensible à la casse du fait de son contexte (SGML). En outre, les raisons d'éviter le mélange de casse (par ex. la casse chatmot) dans le contexte de noms de classes peuvent être trouvées dans l'article A Touch of Class, spécifiquement, la section titrée Class sensitivity.
Par conséquent, le nom de classe racine d'un hCard est "vcard".
trouver des hCards
Un docuemnt (X)HTML indique qu'il peut contenir des hCards en référençant le hCard XMDP profile. Voir XMDP pour plus de détails.
Un parseur trouve des hCards dans un contexte (X)HTML en cherchant des éléments avec le nom de classe racine "vcard" tout simplement comme le fait le sélecteur de classe CSS suivant :
.vcard
Par exemple, la règle de style CSS suivante fixe l'arrière plan de toutes les hCards en vert :
.vcard { background: green; }
Notez que l'attribut de classe (X)HTML est un espace séparé par des noms de classe.
de ce fait tout ce qui suit sont des éléments racines valides hCard :
<div class="vcard"> </div><span class="attendee vcard"> </span><address class="vcard author"> </address><li class="reviewer vcard first"> </li>
Une fois l'élément racine d'un hCard trouvé, cet élément-là et tous ses descendants sont tout ce qui est exigé pour parser le hCard.
Par conséquent, il est possible pour un hCard bien formé d'être extrait à partir d'un contexte général non bien-formé, si le parseur a la capacité de trouver des éléments par nom de classe dans ce contexte non bien-formé.
propriétés hCard
La liste complète des noms de classe pour les propriétés hCard est documentée sur la page hCard profile.
parsage compatible en avant
Au moment de parser les contenus d'un hCard, tous les noms de classe non reconnus doivent être ignorés.
De la même manière, les valeurs non reconnues pour les propriétés de hCard doivent être aussi ignorées.
trouver des propriétés hCard
Pour parser un hCard pour une propriété hCard (par ex. "fn"), le parseur cherche simplement le premier élément avec ce nom de classe à l'intérieur de hCard.
Ceci peut être aussi exprimé comme le premier élément qui correspond à ce sélecteur CSS :
.vcard .fn
Quelques propriétés, comme "fn", ne devraient seulement apparaître qu'une fois, et par conséquent le parseur arrête de chercher la propriété après qu'il ait trouvé une occurence. Les occurences supplémenaires sont ignorées.
D'autres propriéts comme "adr", "email", "url", "tel", etc., peuvent (et le font souvent) apparaître plus d'une fois, et par conséquent le parseur continue à regarder chaque occurence dans les contenus du hCard.
parser les propriétés et valeurs de hCard
Une fois qu'un élément pour une propriété est trouvé, les contenus de l'élément sont utilisés pour la valeur.
Il y a plusieurs exceptions pour concilier le XHTML sémantique et plus d'équivalents sémantiques.
Pour la propriété "email" en particulier, quand l'élément est :
<a href="mailto:...">OU<area href="mailto:...">: parse la valeur de l'attribut 'href', en omettant le préfixe "mailto:" et tout suffixe de requête "?" (si présent), dans l'attribut. Pour les détails sur le schéma URL "mailto:", voir la RFC 2368.
Pour les propriétés qui peuvent prendre un type URL ou les parseurs URI DOIVENT gérer les URLs/URIs relatives et les normaliser selon leurs URLs/URIs absolus respectifs, en suivant les règles de langage du document conteneur pour résoudre les URLs/URIs relatifs (par ex. <base> pour le HTML, xml:base pour XML).
Pour les propriétés qui peuvent prendre les types URL, URI, ou UID, quand l'élément pour cette propriété est :
<a href>OU<area href>: utiisez la valeur de l'attribut 'href'.<img src>: utilisez la valeur de l'attribut 'src'. Si le 'src' est une URL "data:", utilisez le type MIME dans cet URL "data:" pour la sous-propriété TYPE, autrement si l'attribut 'type' est présent, utilisez ça pour la sous-propriété TYPE.<object data>: utilisez la valeur de l'attribut 'data' pour la valeur. Si le 'data' est un URL "data:", utilisez le type MIME dans cet URL "data:" pour la sous-propriété TYPE, autrement si l'attribut 'type' est présent, utilisez ça pour la sous-propriété TYPE.
Pour les propriétés avec des valeurs qui ne SONT PAS du type URL, URI, ou UID, quand l'élément pour une propriété est :
<img alt>OU<area alt>: utilisez la valeur de l'attribut 'alt'.
Pour toutes les propriétés, quand l'élément pour une propriété est :
<abbr>: utilisez la valeur de l'attribut 'title' si présent, autrement les contenus de l'élément.- Pour les propriétés qui peuvent prendre une valeur datetime ISO8601, les parseurs *devraient* rembourrer toute précision nécessaire (par ex. les secondes) et *devraient* normaliser tous les datetimes avec les "timezone offsets", (par ex.
20050814T2305-0700) en UTC (20050815T060500Z). Notez que les dates et heures flottantes NE DOIVENT PAS être produites en valurs de zones temps absolu UTC/Z.
- Pour les propriétés qui peuvent prendre une valeur datetime ISO8601, les parseurs *devraient* rembourrer toute précision nécessaire (par ex. les secondes) et *devraient* normaliser tous les datetimes avec les "timezone offsets", (par ex.
<br />OU<hr />: la valeur est la chaîne vide. Ces deux éléments ne représentent pas quelque sémantique et par conséquent c'est probablement une erreur (au moins un abus) pour un auteur de les utiliser avec les noms de classe microformats. Néanmoins, s'ils sont trouvés, traitez la valeur comme vide.
Pour toutes les propriétés, si l'élément pour une propriété a un enfant ou plus avec un nom de classe "value", alors concaténez les valeurs de noeud pour tous ces éléments enfants avec le nom de classe "value' dans l'ordre du document, et utilisez cette concaténation comme la valeur de la propriété.
gestion espace blanc
Les parseurs hCard devraient gérer le parsage selon les règles de gestion d'espace blanc, avec les deux additions suivantes :
- gestion
<pre>. Tout contenu parsé en tant que partie d'une propriété hCard qui est à l'intérieur d'un élément <pre> doit préserver tous les espaces-blancs selon les règles de préservation des espaces-blancs. - gestion de
<br />. Toute occurence d'un<br />à l'intérieur de(s) élément(s) pour une valeur doit être traitée comme un retour-chariot (\n) dans l'endroit respectif dans la valeur.
sous-propriétés hCard
Il y a quelques propriétés hCard dont les valeurs elles-même ont une structure (comme des valeurs type structurées) et sont composées de plusieurs morceaux, dont nous faisons référence à des sous-propriétés.
Par exemple, la propriété "n" comporte les sous-propriétés "family-name", "given-name", "additional-name", "honorific-prefix" et "honorific-suffix".
c'est à dire à partir de la section 3.1.2 de la RFC 2426, modifiée pour inclure Ph.D.
N:Public;John;Quinlan;Mr.;Esq.,Ph.D.
Dans hCard cette propriété "n" serait marquée comme :
<span class="n"> <span class="honorific-prefix">Mr.</span> <span class="given-name">John</span> <span class="additional-name">Quinlan</span> <span class="family-name">Public</span>, <span class="honorific-suffix">Esq.</span>, <span class="honorific-suffix">Ph.D.</span> </span>
qui pourrait être aussi restituée comme :
Mr. John Quinlan Public, Esq., Ph.D.
paramètres propriétés hCard
Quelques propriétés hCard ont un paramètre ou plus, plus souvent "type", avec un ensemble numéroté de valeurs. Nous représentons la value spécifique du paramètre comme un nom de classe sur un élément à l'intérieur de l'élément représentant la propriété.
Par exemple, la propriété "adr" a un paramtère type qui prend les valeurs : "dom", "intl", "post", "parcel", "home", "work", "pref".
Le paramètre "type" est traité comme une sous-propriété.
Pour encoder le "type" d'une propriété "adr", un élément imbriqué avec class="type" est utilisé pour baliser le paramètre type.
Exemple avec la propriété "tel" avec une valeur de type "work" :
<span class="tel"> <span class="type">work</span>: <span class="value">+1.123.456.7890</span> </span>
extraction Value
Notez l'élément avec class="value" utilisé dans l'exemple au-dessus.
Parfois, seule une partie d'un élément qui est l'équivalent pour une propriété devrait être utilisée pour la valeur de la propriété. Ceci arrive typiquement quand une propriété a un sous-type, comme TEL. Pour ce but, le nom de classe spécial "value" est introduit pour extraire le sous-ensemble de l'élément qui est la valeur de la propriété.
Proposed Additions
Ce sont des additions proposés pour le parsage de hCard. Les implémentations PEUVENT suivre ces conventions afin de gagner en expérience d'implémentation et DEVRAIENT rendre compte des résultats.
gestion élément DEL
Au moment de traiter avec un document HTML qui est encodé hCard, le parseur DEVRAIT honorer l'élément <del>.
Il existe ici deux possibilités (adopter les deux peut être possible) :
1. Sautez toutes les occurences des éléments <del> et leurs contenus entièrement dans les contenus d'une propriété.
2. Si l'élément <del> est utilisé pour une propriété en elle-même, il pourrait être utile comme un moyen de communication de mettre une pierre tombale / rendre obsolète cette valeur particulière de propriété, et de fait alors qu'un parseur en train de convertir vers une vCard DEVRAIT simplement faire ce qui est indiqué dans (1), les applications qui ont directement parsé hCard (plutôt que de seulement supporter vCard) POURRAIENT traiter de telles occurences d'éléments <del> comme un moyen d'ôter l'information obsolète (avec la confirmation de l'utilisateur bien sûr) d'un stockage local de l'information contact.
Misen en Forme Plein Texte du HTML Structurel/Sémantique
There are several structural/semantic elements in HTML which have useful default styling which could be converted into ASCII (AKA Plain Text) equivalents as a low resolution way of communicating that structure. Note that <br /> and <pre> are already handled in the section above titled White-space Handling.
When parsing the DESCRIPTION property, hierarchically convert the following HTML tags into their plain text styling equivalents.
<div>,</div>,<dl>,</dl>,<dt>,</li>,</dd>- Append a soft\nto the output. By "soft\n", we mean only do so if there isn't already a line break (in contrast to a "hard" (implied by default)\n). Two things in particular order to ensure that<div> <div>does not result in two\ncharacters in a row:- only output the
\nif something other than whitespace (including\n) was outputted immediately previously. - omit any immediately subsequent whitespace characters.
- only output the
<li>- Append a soft\nand then * . (Note: Indenting the contents of the list item is not particularly practical, since that would require line-breaking, and that would depend on knowing the width of when the plain text is rendered. Wrapping to 70 characters may be a good assumption for plain text email, but is probably a very bad assumption for vCard output).</dt>- Append:\n<dd>- Append a soft\nand then (two space ASCII 32 characters).<h1>,</h1>,<h2>,</h2>,<h3>,</h3>,<h4>,</h4>,<h5>,</h5>,<h6>,</h6>- Append a soft\nfollowed by a hard\n. (Note: we may want to consider some conventions to indicate the heading level. Perhaps only the relative heading level inside the property matters, e.g. whatever level HTML heading is seen first is treated as a first level heading, then any subsequent HTML heading elements are treated relative to that original heading (this is because it is likely that the property is embedded somewhere deep inside an HTML document following higher heading levels). Any subsequent higher level headings should perhaps cause a warning, and then simply be treated as a first level heading. Given that, the straw proposal for heading syntax from Ian Hickson is one reasonable possibility, with the only issue being that for first and second level headings, how wide to make the line of '-'s or '='s, which is a similar problem to the line-breaking problem noted above when considering indenting the contents of list-items. Thus perhaps it might be sufficient to simply set a first level heading in ALL CAPS (same as the third level heading in Ian's proposed syntax), and let second and deeper level headings be simply implied by the "one line of text with two line breaks both before and after" convention. Rarely has there been more than one level of heading found within a DESCRIPTION property, and I've never seen more than two even if it is possible.)<p>,</p>- Append a soft\nfollowed by a hard\n. (Note: Typical books indent the start of a paragraph approximately three spaces "<q>,</q>- Append a double-quote '"' character.<sub>- Append an open parenthesis "("</sub>- Append a a close parenthesis ")".<sup>- Append an open bracket "["</sup>- Append a a close bracket "[".<sup>are often used for footnotes which in plain text are often formatted as bracketed numbers.<table>,</table>,<tbodygt;,</tbody>,<thead>,</thead>,<tfoot>,</tfoot>,<tr>,</tr>,<caption>,</caption>- Append a soft\n. Of course one could try to do a lot more with representing the structure of the table, but that is almost certainly more work than it is worth, nevermind the complexities introduced by COLSPAN, ROWSPAN etc. At least by approximating the table sections and rows the table may be more readable.</td>,</th>- Append a space and a tab character (ASCII 32, ASCII 9 respectively). It's not clear that what subsequent application would be able to make use of this visually, but at least the tabular nature of the structure is indicated and it makes it possible to copy and paste the table into something that handles tabular content like a spreadsheet and have the tabular structure reflected.
Plus d'éléments stimulants
<ol>- it would be nice to number list items inside an ordered list rather than bullet them, but keeping track of list item numbers/counts is a non-trivial piece of state information for the parser to deal with, and thus we are omitting this behavior for now.
Usage de styles informatiques CSS au lieu de styles par défaut HTML
Rather than assuming the default presentation for these elements, and using that for the basis of plain text formatting, a parser could use the respective equivalent computed style properties and use those instead. However, requiring an hCard parser to also implement Cascading Style Sheets (e.g. CSS1) is out of scope. Some environments (i.e. a browser DOM) may already provide this information, and in that case, it may be easy for an hCard parser (e.g. a clientside javascript parser) to use computed style properties. E.g. instead of the elements above, the following computed styles could be used:
- display:block - Append a soft
\n- text-indent (non-zero value, on an element with display:block or display:list-item) - Append a number of spaces equivalent to value of the text-ident property divided by the computed font-size property of the element.
- margin-top, margin-bottom (non-zero value, on an element with display:block or display:list-item) - Append a number of "\n" equivalent to the value divided by the computed font-size property of the element. Obviously this won't properly collapse vertical margins.
- display:list-item - Append a soft
\nfollowed by " * " - etc.
This is enough extra work that I'm not sure it is worth spending the time documenting more equivalents. The above are sufficient to illustrate the possibility.
Problématiques étonnantes
Issues 3
Might be worth considering defining the parsing in terms of the DOM, so that it applies to HTML and XHTML equally without ambiguity.
Problématiques Résolues
This section is informative.
The following issues have been explored and resolved
Résolue le 16 septembre 2005
PROBLEMATIQUE 1
Should we make plural sub-property names into singular versions and simply allow multiple instances? I.e. the singular honorific prefix would make more sense if it was classed as such, and the list implied by the value for honorific-suffixes could be made more explicit (and thus more easily machine parseable):
<span class="n"> <span class="honorific-prefix">Mr.</span> <span class="given-name">John</span> <span class="additional-names">Quinlan</span> <span class="family-name">Public</span>, <span class="honorific-suffix">Esq.</span>, <span class="honorific-suffix">Ph.D.</span> </span>
RESOLUTION: Adopt singular class name equivalents for plural property and sub-property names.
PROBLEMATIQUE 2
Restricting the "type" sub-property values to being expressed in class names seems less than ideal. It's taking a piece of information which is very often visible in the content, and forcing it to be invisible.
Here is an example of an extensive bit of contact information on a web page:
http://www.patchlink.com/company/contact.html
Maiilng Address 3370 N. Hayden Road, #123-175 Scottsdale, AZ 85251-6632 Physical Address 8515 E Anderson Scottsdale, AZ 85255
Note that the type information for each "adr" is explicit in the content. This content could be marked up like this:
<div class="adr"> <abbr style="display:block" class="type" title="postal,parcel">Mailing Address</abbr> <div class="street-address">3370 N. Hayden Road, #123-175</div> <span class="locality">Scottsdale</span>, <span class="region">AZ</span> <span class="postal-code">85251-6632</span> </div> <div class="adr"> <abbr style="display:block" class="type" title="work,pref">Physical Address</abbr> <div class="street-address">8515 E Anderson</div> <span class="locality">Scottsdale</span>, <span class="region">AZ</span> <span class="postal-code">85255</span> </div>
RESOLUTION: The "type" parameter MUST be marked-up when content is available (like the above two examples). We are ditching the type-value-as-another class name pattern.
In addition since there are some potentical problems with the "type" parameter for TEL and EMAIL properties. Since there are no defined sub-properties (unlike ADR's post-code, locality, etc) the entire node-value of TEL is taken as the value. For example:
<span class="tel">+1.123.456.7890 <abbr class="type" title="work">(work)</abbr></span>
would be represented in vCard as:
TEL;TYPE=work:+123.456.7890 (work)
We are introducing another sub-property class="value" to enable excerpting of a the value of an element of for a property.
<span class="tel"><span class="value">+1.123.456.7890</span> <abbr class="type" title="work">(work)</abbr></span>
Then parsers would first need to look for class="value" and take the node value of that if it exists rather than class="tel".
If one or more child elements with the class name of "value" are present inside the element for a property, then concatenate the node values of those child elements (in the order found) and use that as the value of the property. This would be before using the node value of the element for a property itself.
Références
Références Normatives
- hCard
- vCard (RFC 2426)
- XHTML 1.0 Recommendation
- HTML 4.01 Recommendation
- XMDP