Un lenguaje de marcado es un sistema de codificación de texto que especifica la estructura y el formato de un documento y potencialmente las relaciones entre sus partes. [1] El marcado puede controlar la visualización de un documento o enriquecer su contenido para facilitar el procesamiento automatizado.
Un lenguaje de marcado es un conjunto de reglas que rigen qué información de marcado puede incluirse en un documento y cómo se combina con el contenido del documento de forma que facilite su uso por parte de personas y programas informáticos. La idea y la terminología evolucionaron a partir del "marcado" de manuscritos en papel (por ejemplo, con instrucciones de revisión por parte de los editores), tradicionalmente escrito con un bolígrafo rojo o un lápiz azul en los manuscritos de los autores. [2]
Los lenguajes de marcado más antiguos, que normalmente se centran en la tipografía y la presentación, incluyen Troff , TeX y LaTeX . Scribe y la mayoría de los lenguajes de marcado modernos, como XML , identifican los componentes del documento (por ejemplo, encabezados, párrafos y tablas), con la expectativa de que se utilice tecnología, como hojas de estilo , para aplicar formato u otro procesamiento. [ cita requerida ]
Algunos lenguajes de marcado, como el ampliamente utilizado HTML , tienen una semántica de presentación predefinida , lo que significa que sus especificaciones prescriben algunos aspectos de cómo presentar los datos estructurados en medios específicos. HTML, como DocBook , Open eBook , JATS y muchos otros, se basa en los metalenguajes de marcado SGML y XML . Es decir, SGML y XML permiten a los diseñadores especificar esquemas particulares , que determinan qué elementos, atributos y otras características están permitidos y dónde. [ cita requerida ]
Una característica clave de la mayoría de los lenguajes de marcado es que permiten entremezclar el marcado con el contenido del documento, como texto e imágenes. Por ejemplo, si es necesario enfatizar algunas palabras de una oración o identificarlas como un nombre propio, un término definido u otro elemento especial, el marcado se puede insertar entre los caracteres de la oración.
El sustantivo markup se deriva de la práctica editorial tradicional llamada "marcar" un manuscrito , [3] que implica agregar anotaciones escritas a mano en forma de instrucciones de imprenta simbólicas convencionales , en los márgenes y en el texto de un artículo o un manuscrito impreso.
Durante siglos, esta tarea fue realizada principalmente por tipógrafos expertos conocidos como "marcadores" [4] o "marcadores" [5], quienes marcaban el texto para indicar qué tipo de letra , estilo y tamaño debía aplicarse a cada parte y luego pasaban el manuscrito a otros para componerlo a mano o a máquina.
El marcado también era aplicado comúnmente por editores, correctores , publicadores y diseñadores gráficos, y de hecho por autores de documentos, todos los cuales también podían marcar otras cosas, como correcciones, cambios, etc.
Existen tres categorías generales principales de marcado electrónico, articuladas en Coombs, Renear y DeRose (1987), [6] y Bray (2003). [7]
<cite>la etiqueta de HTML, que se utiliza para etiquetar una cita. El marcado descriptivo, a veces llamado marcado lógico o marcado conceptual , alienta a los autores a escribir de una manera que describa el material conceptualmente, en lugar de visualmente. [8]Las fronteras entre los tipos de marcado se han difuminado considerablemente. En los sistemas de procesamiento de textos modernos, el marcado de presentación se guarda a menudo en sistemas orientados al marcado descriptivo, como XML , y luego se procesa de manera procedimental mediante implementaciones . La programación en sistemas de marcado procedimental, como TeX , se puede utilizar para crear sistemas de marcado de nivel superior que son de naturaleza más descriptiva, como LaTeX .
En los últimos años, se han desarrollado varios lenguajes de marcado con la facilidad de uso como objetivo principal, y sin la participación de organizaciones de normalización, con el objetivo de permitir a los autores crear texto formateado a través de navegadores web , por ejemplo, en wikis y foros web . A estos lenguajes a veces se los llama lenguajes de marcado ligeros . Markdown , BBCode y el lenguaje de marcado utilizado por Wikipedia son ejemplos de dichos lenguajes.
La primera presentación pública conocida de lenguajes de marcado en el procesamiento de textos por computadora fue realizada por William W. Tunnicliffe en una conferencia en 1967, aunque él prefería llamarla codificación genérica. Puede verse como una respuesta a la aparición de programas como RUNOFF que usaban cada uno sus propias notaciones de control, a menudo específicas para el dispositivo de composición tipográfica de destino. En la década de 1970, Tunnicliffe lideró el desarrollo de un estándar llamado GenCode para la industria editorial y más tarde fue el primer presidente del comité de la Organización Internacional de Normalización que creó SGML , el primer lenguaje de marcado descriptivo estándar. El diseñador de libros Stanley Rice publicó especulaciones en líneas similares en 1970. [9]
Brian Reid , en su tesis doctoral de 1980 en la Universidad Carnegie Mellon , desarrolló la teoría y una implementación práctica del marcado descriptivo en la práctica. Sin embargo, hoy en día se considera más comúnmente al investigador de IBM Charles Goldfarb como el "padre" de los lenguajes de marcado. Goldfarb tuvo la idea básica mientras trabajaba en un sistema de gestión de documentos primitivo destinado a bufetes de abogados en 1969, y ayudó a inventar IBM GML más tarde ese mismo año. GML se divulgó públicamente por primera vez en 1973.
En 1975, Goldfarb se mudó de Cambridge, Massachusetts , a Silicon Valley y se convirtió en planificador de productos en el Centro de Investigación Almaden de IBM . Allí, convenció a los ejecutivos de IBM para que implementaran GML comercialmente en 1978 como parte del producto Document Composition Facility de IBM, y en pocos años se utilizó ampliamente en las empresas.
SGML, que se basaba tanto en GML como en GenCode, fue un proyecto ISO en el que Goldfarb trabajó a partir de 1974. [10] Goldfarb acabó convirtiéndose en presidente del comité SGML. SGML fue publicado por primera vez por ISO como estándar ISO 8879 en octubre de 1986.
Algunos ejemplos tempranos de lenguajes de marcado informáticos disponibles fuera de la industria editorial se pueden encontrar en herramientas de composición tipográfica en sistemas Unix como troff y nroff . En estos sistemas, se insertaban comandos de formato en el texto del documento para que el software de composición tipográfica pudiera formatear el texto según las especificaciones del editor. Era un proceso iterativo de prueba y error para obtener un documento impreso correctamente. [11] La disponibilidad de software de publicación WYSIWYG ("lo que ves es lo que obtienes") suplantó gran parte del uso de estos lenguajes entre los usuarios ocasionales, aunque el trabajo editorial serio aún usa el marcado para especificar la estructura no visual de los textos, y los editores WYSIWYG ahora suelen guardar los documentos en un formato basado en lenguaje de marcado.
Otro estándar editorial importante es TeX , creado y perfeccionado por Donald Knuth en los años 70 y 80. TeX se centraba en el diseño detallado de textos y descripciones de fuentes para la composición tipográfica de libros matemáticos. Esto requirió que Knuth dedicara un tiempo considerable a investigar el arte de la composición tipográfica . TeX se utiliza principalmente en el ámbito académico , donde es un estándar de facto en muchas disciplinas científicas. Un paquete de macros TeX conocido como LaTeX proporciona un sistema de marcado descriptivo sobre TeX, y se utiliza ampliamente tanto en la comunidad científica como en la industria editorial.
El primer lenguaje que hizo una distinción clara entre estructura y presentación fue Scribe , desarrollado por Brian Reid y descrito en su tesis doctoral en 1980. [12] Scribe fue revolucionario en varios sentidos, al introducir la idea de estilos separados del documento marcado y una gramática que controlaba el uso de elementos descriptivos. Scribe influyó en el desarrollo del lenguaje de marcado generalizado (más tarde SGML), [13] y es un antecesor directo de HTML y LaTeX . [14]
A principios de los años 80, la idea de que el marcado debía centrarse en los aspectos estructurales de un documento y dejar la presentación visual de esa estructura al intérprete condujo a la creación de SGML . El lenguaje fue desarrollado por un comité presidido por Goldfarb. Incorporaba ideas de muchas fuentes diferentes, incluido el proyecto de Tunnicliffe, GenCode. Sharon Adler, Anders Berglund y James A. Marke también fueron miembros clave del comité SGML.
SGML especificó una sintaxis para incluir el marcado en los documentos, así como una para describir por separado qué etiquetas estaban permitidas y dónde (la Definición de Tipo de Documento ( DTD ), más tarde conocida como esquema ). Esto permitió a los autores crear y usar cualquier marcado que desearan, seleccionando las etiquetas que tenían más sentido para ellos y que se nombraban en sus propios lenguajes naturales, al mismo tiempo que permitía la verificación automática. Por lo tanto, SGML es propiamente un metalenguaje , y muchos lenguajes de marcado particulares se derivan de él. Desde finales de los años 80 en adelante, la mayoría de los nuevos lenguajes de marcado importantes se han basado en el sistema SGML, incluidos, por ejemplo, TEI y DocBook . SGML fue promulgado como Estándar Internacional por la Organización Internacional de Normalización , ISO 8879, en 1986. [15]
SGML encontró una amplia aceptación y uso en campos con requisitos de documentación a gran escala. Sin embargo, muchos lo encontraron engorroso y difícil de aprender, un efecto secundario de su diseño que intentaba hacer demasiado y era demasiado flexible. Por ejemplo, SGML hizo que las etiquetas finales (o las etiquetas iniciales, o incluso ambas) fueran opcionales en ciertos contextos, porque sus desarrolladores pensaron que el marcado lo haría manualmente un personal de soporte con exceso de trabajo que apreciaría ahorrar pulsaciones de teclas [ cita requerida ] .
En 1989, el científico informático Sir Tim Berners-Lee escribió un memorando en el que proponía un sistema de hipertexto basado en Internet , [16] luego especificó HTML y escribió el software del navegador y del servidor en la última parte de 1990. La primera descripción públicamente disponible de HTML fue un documento llamado "Etiquetas HTML", mencionado por primera vez en Internet por Berners-Lee a finales de 1991. [17] [18] Describe 18 elementos que comprenden el diseño inicial, relativamente simple, de HTML. A excepción de la etiqueta de hipervínculo, estos fueron fuertemente influenciados por SGMLguid , un formato de documentación basado en SGML interno en el CERN , y muy similar al esquema de muestra en el estándar SGML. Once de estos elementos todavía existen en HTML 4. [19]
Berners-Lee consideró que HTML era una aplicación SGML. El Grupo de Trabajo de Ingeniería de Internet (IETF) lo definió formalmente como tal con la publicación a mediados de 1993 de la primera propuesta para una especificación HTML: "Hypertext Markup Language (HTML)" Internet-Draft Archived 2017-01-03 at the Wayback Machine por Berners-Lee y Dan Connolly , que incluía una definición de tipo de documento SGML para definir la gramática. [20] Muchos de los elementos de texto HTML se encuentran en el informe técnico ISO de 1988 TR 9537 Técnicas para usar SGML , que a su vez cubre las características de los primeros lenguajes de formato de texto, como el utilizado por el comando RUNOFF desarrollado a principios de la década de 1960 para el sistema operativo CTSS (Compatible Time-Sharing System). Estos comandos de formato se derivaron de los utilizados por los tipógrafos para formatear documentos manualmente. Steven DeRose [21] sostiene que el uso del marcado descriptivo en HTML (y la influencia de SGML en particular) fue un factor importante en el éxito de la Web, debido a la flexibilidad y extensibilidad que permitió. HTML se convirtió en el principal lenguaje de marcado para crear páginas web y otra información que se puede mostrar en un navegador web y es probablemente el lenguaje de marcado más utilizado en el mundo en la actualidad.
XML (Extensible Markup Language) es un metalenguaje de marcado muy utilizado. XML fue desarrollado por el World Wide Web Consortium en un comité creado y presidido por Jon Bosak . El objetivo principal de XML era simplificar SGML centrándose en un problema particular: los documentos en Internet. [22] XML sigue siendo un metalenguaje como SGML, que permite a los usuarios crear cualquier etiqueta necesaria (de ahí su nombre de "extensible") y luego describir esas etiquetas y sus usos permitidos.
La adopción de XML se vio facilitada porque cada documento XML puede escribirse de forma que también sea un documento SGML, y los usuarios y el software SGML existentes podían cambiar a XML con bastante facilidad. Sin embargo, XML eliminó muchas de las características más complejas de SGML para simplificar los entornos de implementación, como documentos y publicaciones. Parecía encontrar un equilibrio entre simplicidad y flexibilidad, además de admitir herramientas de validación y definición de esquemas muy sólidas, y se adoptó rápidamente para muchos otros usos. XML se utiliza ahora ampliamente para comunicar datos entre aplicaciones, para serializar datos de programas, para protocolos de comunicación de hardware, gráficos vectoriales y muchos otros usos, además de documentos.
Desde enero de 2000 hasta la publicación de HTML 5, todas las recomendaciones del W3C para HTML se han basado en XML, utilizando la abreviatura XHTML ( Extensible Hyper Text Markup Language ). La especificación del lenguaje exige que los documentos web XHTML sean documentos XML bien formados . Esto permite obtener documentos más rigurosos y robustos, al evitar muchos errores de sintaxis que históricamente conducían a comportamientos incompatibles de los navegadores, a la vez que se siguen utilizando componentes de documentos que son familiares con HTML.
Una de las diferencias más notables entre HTML y XHTML es la regla de que todas las etiquetas deben estar cerradas : las etiquetas HTML vacías como <br>deben cerrarse con una etiqueta de cierre normal o reemplazarse por una forma especial: <br />(el espacio antes del ' /' en la etiqueta de cierre es opcional, pero se usa con frecuencia porque permite que algunos navegadores web pre-XML y analizadores SGML acepten la etiqueta). Otra diferencia es que todos los valores de atributo en las etiquetas deben estar entre comillas. Ambas diferencias son comúnmente criticadas por ser verbosas, pero también elogiadas porque hacen que sea mucho más fácil detectar, localizar y reparar errores. Finalmente, todos los nombres de etiquetas y atributos dentro del espacio de nombres XHTML deben estar en minúsculas para ser válidos. HTML, por otro lado, no distinguía entre mayúsculas y minúsculas.
Actualmente existen muchas aplicaciones basadas en XML, entre las que se incluyen el marco de descripción de recursos como RDF/XML , XForms , DocBook , SOAP y el lenguaje de ontología web (OWL). Para obtener una lista parcial de estos lenguajes, consulte Lista de lenguajes de marcado XML .
Una característica común de muchos lenguajes de marcado es que entremezclan el texto de un documento con instrucciones de marcado en el mismo flujo de datos o archivo. Esto no es necesario; es posible aislar el marcado del contenido de texto, utilizando punteros, desplazamientos, identificadores u otros métodos para coordinar ambos. Este "marcado separado" es típico de las representaciones internas que utilizan los programas para trabajar con documentos marcados. Sin embargo, el marcado incrustado o "en línea" es mucho más común en otros lugares. Aquí, por ejemplo, hay una pequeña sección de texto marcada en HTML:
<!DOCTYPE html><html> < cabeza > < meta charset = "utf-8" > < title > Mi página de prueba </ title > </cabeza> < cuerpo > < h1 > Mozilla es genial </ h1 > < img src = "images/firefox-icon.png" alt = "El logotipo de Firefox: un zorro en llamas rodeando la Tierra." > < p > En Mozilla, somos una comunidad global de </ p > < ul > <!-- cambiado a lista en el tutorial --> < li > tecnólogos </ li > < li > pensadores </ li > < li > constructores </ li > </ul> < p > Trabajamos juntos para mantener Internet viva y accesible, para que las personas de todo el mundo puedan ser contribuidores y creadores informados de la Web. Creemos que este acto de colaboración humana a través de una plataforma abierta es esencial para el crecimiento individual y nuestro futuro colectivo. </ p > < p > Lea el < a href = "https://www.mozilla.org/en-US/about/manifesto/" > Manifiesto de Mozilla </ a > para obtener más información sobre los valores y principios que guían la consecución de nuestra misión. </ p > </ cuerpo ></html>Los códigos encerrados entre corchetes angulares <like this>son instrucciones de marcado (conocidas como etiquetas), mientras que el texto entre estas instrucciones es el texto real del documento. Los códigos h1, p, y emson ejemplos de marcado semántico , ya que describen el propósito previsto o el significado del texto que incluyen. Específicamente, h1significa "este es un encabezado de primer nivel", psignifica "este es un párrafo" y emsignifica "esta es una palabra o frase enfatizada". Un programa que interprete dicho marcado estructural puede aplicar sus propias reglas o estilos para presentar los diversos fragmentos de texto, utilizando diferentes tipos de letra, negrita, tamaño de fuente, sangría, color u otros estilos, según se desee. Por ejemplo, una etiqueta como "h1" (nivel de encabezado 1) podría presentarse en una tipografía sans-serif grande y en negrita en un artículo, o podría estar subrayada en un documento monoespaciado (estilo máquina de escribir), o simplemente podría no cambiar la presentación en absoluto.
En cambio, la ietiqueta en HTML 4 es un ejemplo de marcado de presentación , que generalmente se utiliza para especificar una característica particular del texto sin especificar el motivo de esa aparición. En este caso, el ielemento dicta el uso de una tipografía en cursiva. Sin embargo, en HTML 5 , este elemento ha sido reutilizado con un uso más semántico: para denotar un tramo de texto en una voz o estado de ánimo alternativo, o de otro modo desplazado de la prosa normal de una manera que indique una calidad diferente del texto
. Por ejemplo, es apropiado utilizar el ielemento para indicar una designación taxonómica o una frase en otro idioma. [23] El cambio se realizó para facilitar la transición de HTML 4 a HTML 5 lo más suavemente posible para que los usos obsoletos de los elementos de presentación preservaran la semántica más probable prevista.
La Text Encoding Initiative (TEI) ha publicado unas directrices exhaustivas [24] sobre cómo codificar textos de interés en las humanidades y las ciencias sociales, desarrolladas a lo largo de años de trabajo cooperativo internacional. Estas directrices se utilizan en proyectos de codificación de documentos históricos, obras de académicos concretos, períodos, géneros, etc.
Si bien la idea del lenguaje de marcado se originó con los documentos de texto, cada vez se utilizan más en la presentación de otros tipos de información, incluidas listas de reproducción , gráficos vectoriales , servicios web , sindicación de contenido e interfaces de usuario . La mayoría de estas son aplicaciones XML porque XML es un lenguaje bien definido y extensible. [ ¿según quién? ]
El uso de XML también ha dado lugar a la posibilidad de combinar múltiples lenguajes de marcado en un único perfil, como XHTML+SMIL y XHTML+MathML+SVG . [25]
Algunos revisores prefieren recurrir a la vieja escuela y utilizar un bolígrafo rojo en la salida impresa.
SGML es muy general. HTML es una aplicación específica de la sintaxis básica de SGML aplicada a documentos de hipertexto con una estructura simple.
