Herramienta de Formato XML

El formateador XML convierte XML compacto o desordenado en una estructura indentada y legible. XML aparece en archivos de configuración, mensajes SOAP, sitemaps, feeds RSS, documentos de oficina, artefactos de compilación y muchas integraciones empresariales antiguas, donde una etiqueta de cierre ausente o un carácter mal escapado puede romper el procesamiento. La herramienta ayuda a ver elementos anidados, atributos, nodos de texto, espacios de nombres y posibles zonas de error más rápido que leyendo una línea comprimida. Es útil para depurar, documentar, comparar y enseñar, pero no sustituye la validación con XSD, contrato API o formato de un socio. Formatear mejora la lectura; no corrige automáticamente XML inválido.

El formateo XML se basa en la recomendación W3C XML 1.0 (Quinta Edición). El análisis se realiza mediante `new DOMParser().parseFromString(src, 'application/xml')` (o `text/xml`), que devuelve un Document cuyos nodos coinciden con las siete producciones definidas en la especificación: Element, Attr, Text, CDATASection, Comment, ProcessingInstruction y DocumentType. A diferencia de HTML, los parsers XML son estrictos: una etiqueta sin cerrar, un `&` sin escapar o un atributo duplicado aborta el análisis y el DOMParser devuelve un elemento `<parsererror>` cuyo cuerpo contiene la línea y la columna. Los equivalentes del lado del servidor incluyen libxml2 (`xmllint --format`), `xml.etree.ElementTree` de Python, StAX/SAX de Java y `XmlReader` de .NET. El impresor serializa el DOM nodo por nodo: cada Element se abre en su propia línea con depth*indent espacios, los hijos recurren con depth+1, la etiqueta de cierre se alinea con la de apertura y los elementos vacíos colapsan a la forma de autocierre `<foo/>` que el §3.1 de la especificación declara semánticamente equivalente a `<foo></foo>`. Cinco entidades predefinidas se recodifican siempre en valores de texto y atributos: `&amp;` `&lt;` `&gt;` `&quot;` `&apos;`. Las secciones CDATA (`<![CDATA[ ... ]]>`) se preservan tal cual porque son la vía de escape explícita para contenido que de otro modo necesitaría codificación de entidades; el terminador `]]>` no puede aparecer dentro de un bloque CDATA según el §2.7, lo que el parser aplica. Las instrucciones de procesamiento como `<?xml-stylesheet?>` y la declaración XML `<?xml version="1.0" encoding="UTF-8"?>` se mantienen en el prólogo del documento. La declaración DOCTYPE se transmite como una única cadena. Dos sutilezas generan la mayor parte de la complejidad del formateador. Primero, el contenido mixto, un elemento que contiene tanto texto como elementos hijos, como `<p>Hola <b>mundo</b>!</p>`, no se puede re-indentar sin alterar el infoset del documento, porque cada carácter de espacio en blanco en dicho contexto es un nodo Text significativo. Los formateadores detectan el contenido mixto analizando si un Element tiene algún hijo Text que no sea espacio en blanco y cambian a una serialización en una sola línea para ese subárbol. Segundo, las declaraciones de namespace (`xmlns`, `xmlns:prefix`) deben permanecer en el elemento donde se declaran por primera vez; moverlas cambia el alcance. El orden de atributos no es canónico según la especificación, por lo que la mayoría de los formateadores aplican orden alfabético mientras preservan las declaraciones `xmlns:*` iniciales. El análisis y la serialización son O(n) sobre la longitud del documento; los feeds muy grandes suelen transmitirse vía SAX en lugar de construir un DOM en memoria.

• Especificación: W3C XML 1.0 Quinta Edición (REC-xml-20081126); el DOM se construye mediante `DOMParser().parseFromString(src, 'application/xml')`, equivalente a libxml2 o `xmllint --format` del lado del servidor.
• Estricto por diseño: etiquetas sin cerrar, `&`/`<` sin escapar, atributos duplicados o caracteres no válidos generan un elemento `<parsererror>`; la recuperación permisiva de HTML no se aplica.
• Cinco entidades predefinidas recodificadas en valores de texto y atributos: `&amp;` `&lt;` `&gt;` `&quot;` `&apos;`. Las referencias de caracteres numéricas como `&#10;` se preservan tal cual.
• `<foo/>` de autocierre y `<foo></foo>` son semánticamente idénticos según el §3.1; las secciones CDATA se preservan tal cual y no pueden contener el terminador `]]>`.
• El contenido mixto (texto + elementos hijos) no se puede re-indentar sin cambiar el infoset: el impresor detecta espacios en blanco significativos y serializa esos subárboles en línea.
• Las declaraciones de namespace (`xmlns`, `xmlns:prefix`) permanecen en el elemento de primera declaración; moverlas cambia el alcance. El orden de atributos no es canónico, por lo que es típico un orden estable (xmlns primero, luego alfabético).
• Complejidad: O(n) para análisis y O(n) para serialización en herramientas basadas en DOM; documentos grandes se transmiten vía SAX/StAX (xml.sax en Python, javax.xml.stream en Java) para evitar cargar el árbol completo en memoria.