Dotcom编年史 番外一：HTML 不是 SGML

1992 年 6 月 7 日凌晨零点十二分，得州 Convex 计算机公司的 Dan Connolly 往 www-talk 邮件列表发了一封短信，主题写的是“HTML is not SMGL”，四个字母里有两个换了位置。信里说，他把 HTML 转成 MIME 和 SGML 的那套“宏大方案”跑通了，MIME 是那年刚定下的电子邮件附件标准，规定一封信怎样装进多个部分、每部分贴一个类型标签，他想拿它来装网页。回过头想给现有的 HTML 写一份 DTD，却写不出来。¹

SGML 是“标准通用标记语言”，1986 年成为国际标准，前身是 IBM 在 1969 年做的 GML。它不是一种文件格式，是一套定义文件格式的规则：用尖括号里的标签标出文档的结构，再用一份叫 DTD 的定义写明这种文档有哪些元素、谁能套在谁里面，读文件的程序，也就是解析器，拿着 DTD 就能判断一份文档合不合规矩。HTML 借的是它的语法，尖括号、属性、& 这类写法都从这里来，自己加的只有锚，把一段文字指向另一处地址的那个标签。²HTML 的麻烦是结构太松，文字几乎哪里都能出现，一写就撞上 SGML 里叫“混合内容”的坑，文字和标签在同一层里混着放，DTD 很难对这种东西提要求。他接着问了两句：外面到底有多少现成的 HTML？其中多少是服务器和网关这类程序临时生成的？¹

这封信在 Calgary 存档里的全文。文字取自 www-talk 1992 年第 80 号，以等宽字体重新渲染，省去 Received 行与空邮件头，两处底色为本文所加；主题行的拼写错误照原样。不是 1992 年终端上的显示效果。邮件作者为 Dan Connolly，此处作史料节选引用。

我原以为 HTML 的来历是 Berners-Lee 一个人的事，标签清单是他写的，浏览器是他写的。把 1992 年 www-talk 的四百多封信按发信人数了一遍，才发现那一年为 HTML 操心最多的不是他。Connolly 一个人发了八十五封。他不在 CERN，也不写浏览器，他在一家超级计算机公司做文档工具，想让 FrameMaker 读写 HTML，那是排长篇技术手册用的软件。他从头到尾问的是一件事：一页纸的标签清单，要不要变成一个有人验证的标准？³

“为什么不干脆用 RTF”#

Web 为什么需要一种自己的文档语言，得从它要面对的机器说起。第一篇里 CERN 的问题是各种机器互不相通，同一份文档要在 NeXT 的窗口里带着字体显示，也要在只认字符的终端上一行行打出来；SLAC 那份 2 月的纪要记着浏览器装在了 Unix 集群、NeXT、大型机和 VMS 机器上。一份文件要在这些地方都能读，就不能写死字号和字体，只能写“这是一个标题”“这是一个列表”，让每台机器自己决定标题在它那里长什么样。Berners-Lee 1992 年 6 月比较 HTML 和 MIME 的富文本格式时说的就是这个：HTML 对逻辑标题层级的处理，“在不同平台上提供了比直接指定字号灵活得多的排版”。另一个好处是它只是文本，一个数据库、一段脚本都能生成，第二篇里 SPIRES 的检索结果就是这样变成网页的。SGML 是现成的、专门做这种结构标记的规范，Berners-Lee 借了它的语法，没有借它的全部规矩。⁴

第二篇里 Addis 让 SPIRES 数据库直接输出 HTML，靠的是 CERN 那份一页纸的标签清单：尖括号里写 TITLE、H1、P、A，浏览器认得就行，不认识的标签直接忽略。⁵当时的人分不清两者并不奇怪，SLAC 那份 2 月的纪要把网页文件直接叫作 SGML，Kunz 交接的文件清单里也这么写。这套办法对写网页的人友好，对写第二个程序的人不友好。Connolly 6 月 6 日的第一封长信列了三条理由，头一条就是：需要一份 DTD，好让 WWW 项目公开发布的那个浏览器之外的程序也能解析 HTML，也好验证从别的文档系统转过来的文档，他点了三个名字，GNU info、Andrew 的 EZ 和 FrameMaker。只要世上只有一个读 HTML 的程序，HTML 是什么由那个程序的源代码说了算；一旦有第二个，就得有一份两边都认的定义。¹

CERN 的 HTML 标签清单页 Tags.html 的开头部分，取自 W3C 保存的 1992 年 11 月 3 日快照，用现代浏览器渲染原始标记，只截到 Anchors 一节，其后 IsIndex、Plaintext、Listing、Paragraph、Headings、Address 等条目未收入。字体、链接颜色都是今天浏览器的默认样式，不是 1992 年任何浏览器的显示效果；原始标记除去掉 NEXTID 与 TITLE 两个标签外逐字保留。© CERN／W3C，按 W3C 文档许可节选。

Berners-Lee 6 月 25 日回信说，他想要一份“尽可能贴近现有 HTML”的 DTD。Connolly 答，写得出来，但不知道有什么价值：HTML 允许标签“差不多想撒哪儿就撒哪儿”，能容纳这种自由的 DTD 只会是“每个元素都是所有元素的任意重复”，解析器什么都查不了。他说眼下的 HTML 和地址语法是个不错的概念验证，“但我们得往正式定义走，才能有信心让正确的实现互相兼容”。第二天 Berners-Lee 解释了 HTML 为什么这么平：很多富文本对象只存样式不存结构，Word 从标题样式推出大纲，WWW 从一串标着 LI 的列表项推出一个列表；而且真正提供信息的人，“比如小组秘书”，未必愿意写嵌套的元素，样式也许才是他们习惯的界面。“HTML 的结构就是这么简单的原因。我对更复杂的替代方案持开放态度。”⁶

7 月 14 日，Connolly 把话说得更彻底。他试着写 DTD，结论是“HTML 几乎没有结构，而且这是有意设计的”。SGML 的价值在于验证，出版商可以在 DTD 里规定参考文献的格式、摘要的位置；“WWW 项目没有这样的编辑规范要执行”，它的规范只是“你可以有个标题，我们会把它显示出来；标题、段落、列表用得大致传统，就会排得还行；还可以有锚”。那么为什么要用 SGML？他的答案是，因为 NeXT 上那个编辑器好用。既然如此，为什么不干脆用 RTF？那是微软定的文字处理软件之间交换文件的富文本格式，更成熟，NeXT、Mac、PC 都支持，缺的只是几个公开的渲染程序。“除非我们想让 WWW 系统的某个部分去验证文档的结构，否则为什么要用 SGML，而且用得这么糟？”⁷

Berners-Lee 第二天凌晨回了。NeXT 编辑器生成的 HTML 确实不好，属性值该加引号的没加，但现在的解析器能解析真正的 SGML。高层标记是有用的：只认字符的行模式浏览器靠它排出和 Unix 图形界面 X 窗口不同的样式，把整棵文档树排成一本“WWW 书”的 LaTeX 排版脚本也靠它。HTML 没有深层结构，是为了兼容处理不了嵌套元素的软件，“有一个简单的 SGML DTD 作基础没什么不对，SGML 不是非得复杂”。至于 RTF，他的疑虑是标题靠特殊命名的样式来冒充结构，格式信息总是塞在样式名旁边，各家的扩展互不相同。这一来一回里没有谁说服谁。Connolly 当天夜里把 DTD 贴了出来，附了一段 perl 脚本，功能是把现有的 HTML 文件“合法化”，给属性值补上引号。⁷

那份 DTD 是什么样子，看一行就够：<!ELEMENT HTML O O ((TITLE? & NEXTID? & ISINDEX?), BODY, ADDRESS?)>。它说的是，一份 HTML 文档由这几部分组成，标题、NEXTID、ISINDEX 各自可有可无、顺序随意，然后必须有一个 BODY，末尾可以有一个 ADDRESS；两个 O 表示 HTML 这个标签本身的开头和结尾都可以省略，由解析器补上。解析器拿着这样几十行，就能对照一份文件，标题跑到 BODY 后面、列表项掉到列表外面，都能报出来。他的困难在于，真实的 HTML 文件里文字和标签混着随便放，要容纳这种自由，清单只能写成“任何元素里都能放任何元素”，那对解析器等于什么都没说。8 月 19 日他报告 FrameMaker 已经能直接打开和保存 HTML。他要的从来不是更复杂的 HTML，是一个第二个程序也能读懂的 HTML。⁸

“SGML 警察退一步”#

秋天的事从一个登记开始。11 月，有人提议把 text/html 登记为 MIME 的正式类型，让网页在邮件和传输系统里有一个公认的名字，这意味着 HTML 得有一份能拿给外人看的定义。Connolly 11 月 19 日的信题为“冻结 HTML 规范”：Berners-Lee 老在谈“HTML 的未来”，未决的问题一大堆，“到某个时候我们得把工程师毙了，把东西发出去”。他列了一份章程，第一条是 HTML 和 SGML 的关系要说清楚，规范里不能有任何和 SGML 冲突的东西；第二条是拿行模式浏览器当参考实现。他也说，现在“把建议寄给 Tim、指望他有空改”的做法行不通。同一封信的下半截回答别人关于注释的问题，他把 SGML 的注释、处理指令、标记区段逐条讲了一遍，讲到一半写了一句：“SGML 是一团糟！”⁹

两天前他已经退过一步。11 月 17 日的信主题是“SGML 警察退一步”，警察是他自称的。他原先坚持每份 HTML 文件都得带 SGML 的“框架”，声明、序言、实例一样不缺，否则“就不是 SGML 文档”。读了标准、收到出版社 O’Reilly 和 HaL 计算机公司寄来的 DocBook 材料，那是他们为技术书籍定的一套 SGML 文档类型，又装了 SLAC 的 Tony Johnson 写的图形界面浏览器 MidasWWW 以后，他改了主意：把 text/html 当作 SGML 的文本实体而不是文档实体，DTD 默认前置，就像假定每个 C 程序编译前都会自动包含标准库的头文件 stdlib.h。假设一直都在，只是换个说法。信末他还替 MidasWWW 做了个广告，说它“来得太迟，但值得等”。⁹

11 月 30 日，他往 CERN 的 FTP 上传了一个包，叫 html_spec-0.3，里面有规范的根页面、一篇 SGML 语法入门、一份 DTD，还有一组“构成验证套件”的示例文件和一个解析库。信里分头喊话：“Tim，请把它链进 Web”；“实现者们，请整个取走，拿你们的实现来验”；“Tony，我有几个给 MidasWWW 的补丁”。第二天他单独给 Berners-Lee 写了一封：“我注意到你在改 info.cern.ch 上的 HTML 文件，属性加了引号，i 上加了点，t 上画了横。但那些文件还是不合 SGML。”请他去挪威的服务器上取 James Clark 写的 sgmls 解析器，用一条命令检查自己的文件，有错“要么修软件，要么改 DTD，改到能过为止”。同一封信的后半段却是另一种语气。他说自己在文档头和正文的结构上“折腾了很久”，写不出一份既能让大多数现有 HTML 合法、又能施加任何结构的 DTD，“我差不多要放弃结构这件事了”，干脆把 HTML 定义成“标签汤”，什么都能放在任何地方。三天后他上传新版，把一个自己起的标签名改回了大家习惯的 PRE，就是保留原样排版那种文字用的标签，附了一句新座右铭：“只描述，不规定。”⁹

12 月 1 日那封信的节选：前半段请 Berners-Lee 去装 sgmls，后半段说自己快要放弃结构。文字取自 www-talk 1992 年第 390 号，以等宽字体重新渲染，中间三十三行关于 DTD 混合内容的技术说明以方括号标明省略，四处底色为本文所加；不是 1992 年终端上的显示效果。邮件作者为 Dan Connolly，此处作史料节选引用。

用今天的话说，他在 1992 年秋天做的东西，是一个 HTML 的校验器和一套测试用例，外加一份没人指定他写的规范草案。这些东西放在 CERN 的 FTP 上，谁装谁用。装了多少，信里看不出来。

“谁负责验证”#

1993 年 1 月 21 日，他发了一封题为“关于 HTML 未来的想法”的长信，开头是一段用他自己的话讲的 HTML 简史。HTML 设计得很简单，人拿文本编辑器就能敲出来，同时它又要被“全球各地的很多机器”处理。他说 SGML 当时“看起来是自然的选择”，于是“Tim 在他的 WWW 客户端里实现了一个非正式的 SGML 解析器”。这是他 1993 年的追述，Berners-Lee 自己在 1992 年给的理由是结构和现成的标准，两种说法不冲突，但不是一回事。没有人真正清楚 SGML 的门道，“想自动生成 HTML 的信息提供者，只要确认公开的 www 客户端能显示就行了”。然后别人开始写自己的 HTML 解析器，发现许多问题除了 WWW 的源代码之外没有任何规范可查。然后他自己拿 sgmls 做 HTML 到 FrameMaker 的工具，发现 WWW 的源代码和 SGML 标准冲突。“糟了！”第二篇里 SLAC 图书馆让数据库吐出 HTML，用的正是他说的那种办法：浏览器显示得出来，就算对。¹⁰

这封信的核心是一个问题：谁负责验证？他说这其实是 HTTP 的问题，协议是否保证送出的数据流是合法的 HTML，还是由客户端自己处理错误。他的主张是服务器负责：客户端当然应该容错，但当两边对一份文档的理解不一致时，“文档合法则客户端有错，文档不合法则服务器有错”。这会让服务器变复杂，不能再“随手抓起一个 .html 文件就往端口上送”，但可以边送边修，把错误写进日志。他承认现在改已经晚了，当时的传输协议 HTTP 0.9 来不及加，“但未来的服务器应当承担产出合法文档的负担”。信的后半段是他对 HTML2 的设想，更多结构，段落应当是可以数的单位，再往后是 HyTime，一个建在 SGML 上、刚成为国际标准的超媒体规范。同一天晚上他上传了解析库的新版本，说“得走了，这是赶出来的”。¹⁰

1993 年 1 月 21 日长信的前半部分：他自己讲的 HTML 简史，和“谁负责验证”的提问。文字取自 www-talk 1993 年第一季度第 89 号，以等宽字体重新渲染，此后关于 HTML2 结构与 HyTime 的后半段未收入，三处底色为本文所加；不是 1993 年终端上的显示效果。邮件作者为 Dan Connolly，此处作史料节选引用。

1 月 30 日之后，列表上再没有他的发信。8 月有人问起他，卖 Unix 系统的 SCO 公司的一位技术出版负责人回答，一个月前联系过，他新工作太忙，顾不上 WWW 了，附了新地址。为什么换工作、换到哪里，信里没有说，我也不猜。¹⁰

“就算 Dan C 不在这儿管着我们”#

他走后第四周，2 月 25 日晚上九点，伊利诺伊大学国家超级计算应用中心（NCSA）的 Marc Andreessen 提议一个新标签，IMG，带一个 SRC 属性指向一张图片文件，浏览器把图嵌在标签所在的位置。X Mosaic 是 NCSA 一个月前刚放出来的图形界面浏览器，Andreessen 是作者之一。“这是 X Mosaic 必需的功能；我们已经做好了，至少内部要用。”他说自己对怎样放进 HTML 持开放态度，格式问题也承认“模糊”，但除了“让浏览器自己看着办”，他看不到别的办法，“等完美方案出现，MIME，也许有一天”。两个小时后，SLAC 的 Tony Johnson 回信说 MidasWWW 2.0 里有几乎一样的东西，叫 ICON，多一个 NAME 参数，让浏览器可以用内置的图代替下载；标签叫什么他不在乎，“但我们用同样的东西才合理”。¹¹

Berners-Lee 26 日回了两封。他设想的不是新标签，而是给锚加两个关系值，EMBED 表示展示时嵌进来，PRESENT 表示打开原文时一并打开，“不支持的浏览器不会因此坏掉”；他“本来不想要一个专门的标签”。第二封说得更直接：读者而不是作者也许想决定哪些图内嵌、哪些另开窗口，所以用锚加开关更合适；“我现在能不改 HTML 就不改，等它进了 RFC 流程再说”，RFC 是互联网工程任务组（IETF）发布标准用的文件序列。Andreessen 的回答是“我完全同意，每一条都同意”，然后接着说：事情已经到了这一步，有些浏览器无论如何都会以某种方式实现这个功能，哪怕不是标准，“从一开始就保持一致才好，这样 HTML2 来的时候我们还能齐步走”。27 日 Berners-Lee 又写了一封：那好，HTML2 里放一个包含机制，不限于图片；SGML 本来就有正式的做法，“就算 Dan C 不在这儿管着我们，我们也许还是该照规矩来”，然后给出一行写法，用 SGML 里给外部内容起个名字再引用的“实体”机制来嵌图。5 月 18 日，Andreessen 在列表上说明了 Mosaic 1.1 里 IMG 的扩展，标签已经在浏览器里了。¹¹

上：1993 年 2 月 25 日 Andreessen 提出 IMG 的信，略去中间五行；下：2 月 27 日 Berners-Lee 的回复全文。文字取自 www-talk 1993 年第一季度第 174 号与第 194 号，以等宽字体重新渲染，省去 Received 行与空邮件头，两处底色为本文所加；不是 1993 年终端上的显示效果。邮件作者为 Marc Andreessen 与 Tim Berners-Lee，此处作史料节选引用。

夏天的争论换了一批人，问题还是那个。8 月 14 日，Andreessen 列了五条断言，前四条说文档经过正式验证就该在所有浏览器里正常显示，第五条说，如果某个浏览器有标准之外的功能，而很多信息提供者“选择”用它，哪怕别的浏览器因此显示不了，这就证明该功能值得进标准，“市场已经选了”。他在信末写“穿上防火服”。¹²

18 日，O’Reilly 数字媒体组的编辑 Terry Allen 写道，“Marc，恕我直言，你的浏览器吐出很多错误信息”，却不报标记错误：他们一位经验丰富的排版编辑写出了 H2 开头、H3 结尾的标题，因为在 Mosaic 里看着没问题，就没去解析。哪怕只提示一句“某文件有标记错误”也好，好让人回去用 sgmls 找。Andreessen 当天回：在 O’Reilly 有人告诉他 Mosaic 了不起，什么都能显示、从不抱怨，现在另一个 O’Reilly 的人说的正相反，“各位，别因为 Mosaic 皮实来抱怨我们”。他把原因写成大写：Mosaic 不报错，是因为报错“需要干活”，手上更要紧的事排着队；另一个原因是 Mosaic 是浏览环境，不是写作工具。建议 O’Reilly 自己派人写一个 HTML-lint，像 Unix 上检查 C 代码的 lint 那样的检查工具。同一天牛津的 Lou Burnard 发了一封题为“谁来验证？”的信，答案是在 Emacs 编辑器里接上 sgmls，写的人自己验。¹²

Connolly 1 月的问题在 8 月有了回答，回答的人未必读过他 1 月的信。服务器不负责，浏览器不负责，写的人自己去装一个解析器。今天的浏览器仍然照样显示写错的网页，验证器仍然是写的人自己去用的工具，这个分工是 1993 年夏天定下来的，定它的人并没有开会。没有人接下验证的责任，于是它落在了浏览器的容错上。

“只描述，不规定”#

1995 年 11 月，HTML 2.0 成为 RFC 1866，进入标准流程。作者两个人，T. Berners-Lee 和 D. Connolly。文档开头说，它“汇集、澄清并正式化了一组功能，大致对应于 1994 年 6 月之前通行的 HTML”，起名 2.0 是为了区别于此前那些“非正式的规范”；第二段写明，HTML 是 ISO 8879 也就是 SGML 的一个应用。1992 年 6 月他写不出来的那份 DTD，在这里面。1994 年他怎样回到这件事上，中间的 IETF 工作组做了什么，这一篇的材料没有覆盖，留给以后。¹³

这一篇覆盖的三年半。日期取自各封邮件的落款与 RFC 1866 的日期，同一天多封信只标最要紧的一件；依据 www-talk 存档与 RFC 1866 自制，非同期图表。1993 年 8 月到 1995 年 11 月之间的 IETF 工作组过程本文未核，故留白。

RFC 的口径和他 1992 年 12 月 4 日那句座右铭是一致的：只描述，不规定。三年前他要冻结规范、把工程师毙了发出去，要服务器为合法性负责；三年后以他署名的规范，写的是大家已经在做的事。