YAML文件、JSON文件、XML文件的异同

比较项目	YAML文件	JSON文件	XML文件
语法格式	简洁、易读，使用缩进表示层次结构，通过冒号和短横线分别表示键值对和列表元素	简洁、基于JavaScript语法，使用花括号表示对象，方括号表示数组，通过冒号表示键值对	语法相对复杂，使用标签来标记元素，通过标签的嵌套来表示层次结构，有开始标签和结束标签
数据类型表示	支持标量（字符串、整数、浮点数、布尔值等）、列表、字典，还能通过锚点和引用表示复杂关系	支持字符串、数字、布尔值、对象（类似字典）、数组（类似列表）	支持元素（类似于标量）、属性（用于在元素标签上添加额外信息，类似键值对）、子元素（用于表示嵌套关系，类似字典和列表的嵌套）
可读性	高，格式简洁，接近自然语言	较高，格式比较简洁直观，有编程基础的人容易理解	相对较低，标签和嵌套结构可能使文件看起来比较复杂
应用场景	配置文件、数据交换，在自动化部署、容器编排等领域应用广泛	作为网络数据传输的格式，在Web API接口中广泛使用，也用于数据存储	主要用于数据存储和交换，在企业级软件系统、文档管理系统等场景有应用
解析难度	较容易，有许多语言都有成熟的YAML解析库	容易，大多数编程语言都有内置或第三方的JSON解析库	相对较难，因为语法复杂，解析时需要考虑标签的匹配、命名空间等问题
文件大小	通常比较紧凑，尤其是对于复杂的层次结构数据	比较紧凑，数据格式简洁	可能会因为标签的存在而使文件体积相对较大
扩展性	较好，可以通过自定义标签或锚点来扩展功能	较好，方便添加新的键值对或数组元素	很好，通过定义新的标签和属性可以方便地扩展数据结构

1. 语法格式

• YAML文件
  • 语法很简洁，就像是在写清单一样。用缩进表示层次，冒号后面是值。比如表示一个人的信息：

    person:
      name: "小明"
      age: 20
      hobbies:
        - 篮球
        - 音乐
    

  • 这里person是一个大的类别，下面的name、age和hobbies通过缩进表明是person里面的内容。hobbies是一个列表，用-开头来表示每个元素。
• JSON文件
  • 格式比较简洁，有点像编程语言中的数据结构写法。用花括号{}包起来表示一个对象（类似字典），方括号[]表示数组（类似列表）。例如：

    {
      "person": {
        "name": "小红",
        "age": 22,
        "hobbies": ["跳舞", "绘画"]
      }
    }
    

  • 最外层的大括号里面是一个对象，里面有个person键，它的值又是一个对象，这个对象里有name、age和hobbies这些键值对，其中hobbies的值是一个数组。
• XML文件
  • 语法相对复杂，有很多标签。比如同样表示一个人的信息：

    <person>
      <name>小刚</name>
      <age>25</age>
      <hobbies>
        <hobby>读书</hobby>
        <hobby>旅游</hobby>
      </hobbies>
    </person>
    

  • 这里<person>是一个大的标签，里面包含了name、age和hobbies这些子标签。hobbies标签里面又有hobby子标签来表示每个爱好。每个标签都有开始标签和结束标签。

2. 数据类型表示

• YAML文件
  • 支持常见的数据类型。像上面例子中的name是字符串，age是整数，hobbies是列表。还可以用&和*来做引用，比如：

    default_hobby: &hobby_ref
      - 运动
      - 游戏
    person1:
      name: "小李"
      hobbies: *hobby_ref
    person2:
      name: "小张"
      hobbies: *hobby_ref
    

  • 这里&hobby_ref定义了一个爱好的列表作为锚点，*hobby_ref就可以引用这个列表，person1和person2的hobbies都使用了这个引用。
• JSON文件
  • 有字符串、数字、布尔值、对象和数组。例如：

    {
      "book": {
        "title": "《Python从入门到实践》",
        "price": 59.9,
        "in_stock": true,
        "authors": ["Eric Matthes"],
        "tags": ["编程", "Python"]
      }
    }
    

  • 这里book是一个对象，里面的title是字符串，price是数字，in_stock是布尔值，authors是数组，tags也是数组。
• XML文件
  • 元素里可以有属性来表示额外信息。比如：

    <book title="《数据结构与算法》" price="49.9">
      <author>张三</author>
      <tags>
        <tag>计算机</tag>
        <tag>算法</tag>
      </tags>
    </book>
    

  • 这里book元素有title和price两个属性，同时里面有author元素和tags元素，tags元素里又有tag子元素。

3. 可读性

• YAML文件
  • 因为格式简洁，很接近自然语言的书写方式，所以可读性很好。就像写清单一样，很容易让人理解里面的数据结构和内容。
• JSON文件
  • 也比较容易读，尤其是对于有编程基础的人来说，它的格式很直观，很容易看出来数据是怎么组织的。
• XML文件
  • 可读性相对差一些，因为有很多标签，看起来会比较复杂。特别是当数据结构很复杂、标签嵌套很多的时候，阅读起来就比较费劲。

4. 应用场景

• YAML文件
  • 经常用于配置文件。比如在一个Web应用的配置文件中：

    server:
      port: 8080
      host: "localhost"
      database:
        type: "mysql"
        url: "jdbc:mysql://localhost:3306/mydb"
        username: "admin"
        password: "123456"
    

  • 这样可以很方便地配置服务器的端口、主机地址和数据库的相关信息。
• JSON文件
  • 在网络数据传输中用得很多。比如一个Web API返回的数据：

    {
      "status": "success",
      "data": {
        "id": 1,
        "name": "产品A",
        "price": 10.99
      }
    }
    

  • 很方便在网络上传输这种结构化的数据，客户端也很容易解析。
• XML文件
  • 在企业级软件系统中比较常见。例如，在一个企业的文档管理系统中，文档的元数据可以用XML表示：

    <document>
      <id>1001</id>
      <title>年度报告</title>
      <author>部门A</author>
      <date>2024-01-01</date>
      <content>这是一份年度报告的内容......</content>
    </document>
    

  • 用于存储和交换比较复杂的、有严格格式要求的数据。

5. 解析难度

• YAML文件
  • 解析相对容易，很多编程语言都有成熟的YAML解析库。这些库可以很方便地把YAML文件中的数据读取出来，转换成编程语言中的数据结构，比如Python中的字典和列表。
• JSON文件
  • 也很容易解析，大部分编程语言都有内置或者第三方的JSON解析库。因为JSON的语法比较规范，解析起来比较直接。
• XML文件
  • 解析相对较难，因为它的语法比较复杂。解析的时候要考虑标签的匹配、命名空间等问题。不过也有很多强大的XML解析库可以帮助处理这些复杂的情况。

6. 文件大小

• YAML文件
  • 通常比较紧凑，特别是对于复杂的层次结构数据。因为它没有像XML那样的很多标签，所以在表示相同的数据时，文件大小可能会小一些。
• JSON文件
  • 也比较紧凑，它的数据格式很简洁，不会有多余的东西，所以文件大小也比较合理。
• XML文件
  • 可能会因为标签的存在而使文件体积相对较大。尤其是当数据比较简单，但需要用很多标签来表示的时候，文件可能会比YAML和JSON文件大。

7. 扩展性

• YAML文件
  • 扩展性比较好，可以通过自定义标签或者锚点来扩展功能。比如可以定义新的键值对类型或者新的数据引用方式。
• JSON文件
  • 也很方便扩展，很容易添加新的键值对或者数组元素。比如在一个JSON数据对象中，直接添加新的键值对就可以扩展数据。
• XML文件
  • 扩展性很好，通过定义新的标签和属性可以很方便地扩展数据结构。例如，在一个XML文档类型定义（DTD）或者XML模式（XSD）中，可以定义新的元素和属性来适应新的数据需求。