Outil de Formatage XML

Le formateur XML transforme un XML compact ou désordonné en structure indentée et lisible. XML est présent dans des fichiers de configuration, messages SOAP, sitemaps, flux RSS, documents bureautiques, artefacts de build et nombreuses intégrations anciennes, où une balise fermante manquante ou un caractère mal échappé peut bloquer le traitement. L’outil aide à repérer plus vite éléments imbriqués, attributs, nœuds texte, espaces de noms et zones d’erreur probables. Il sert au débogage, à la documentation, à la comparaison et à la formation, mais ne remplace pas une validation de schéma lorsqu’un XSD, contrat API ou format partenaire doit être respecté.

Le formatage XML repose sur la recommandation W3C XML 1.0 (Cinquième édition). L'analyse se fait via `new DOMParser().parseFromString(src, 'application/xml')` (ou `text/xml`), qui renvoie un Document dont les nœuds correspondent aux sept productions définies dans la spécification : Element, Attr, Text, CDATASection, Comment, ProcessingInstruction et DocumentType. Contrairement à HTML, les analyseurs XML sont stricts : une balise mal fermée, un `&` non échappé ou un attribut en double interrompt l'analyse et le DOMParser renvoie un élément `<parsererror>` dont le corps contient la ligne et la colonne. Les équivalents côté serveur incluent libxml2 (`xmllint --format`), `xml.etree.ElementTree` en Python, StAX/SAX en Java et `XmlReader` en .NET. Le sérialiseur parcourt le DOM nœud par nœud : chaque Element s'ouvre sur sa propre ligne avec une indentation de profondeur*indent espaces, les enfants récursent avec profondeur+1, la balise fermante s'aligne sur la balise ouvrante, et les éléments vides se réduisent en notation auto-fermante `<foo/>` que la section §3.1 de la spécification déclare sémantiquement équivalente à `<foo></foo>`. Cinq entités prédéfinies sont systématiquement ré-encodées dans les valeurs de texte et d'attribut : `&amp;` `&lt;` `&gt;` `&quot;` `&apos;`. Les sections CDATA (`<![CDATA[ ... ]]>`) sont préservées telles quelles car elles constituent la soupape d'échappement explicite pour le contenu qui nécessiterait un encodage par entités ; la terminaison `]]>` ne peut pas apparaître dans un bloc CDATA selon la section §2.7, ce que l'analyseur applique. Les instructions de traitement comme `<?xml-stylesheet?>` et la déclaration XML `<?xml version="1.0" encoding="UTF-8"?>` sont conservées dans le prologue du document. La déclaration DOCTYPE est retransmise sous forme de chaîne unique. Deux subtilités engendrent l'essentiel de la complexité des formateurs. D'abord, le contenu mixte — un élément contenant à la fois du texte et des éléments enfants, comme `<p>Hello <b>world</b>!</p>` — ne peut pas être ré-indenté sans modifier l'infoset du document, car chaque caractère d'espace dans un tel contexte est un nœud Text significatif. Les formateurs détectent le contenu mixte en vérifiant si un élément possède un nœud Text enfant non vide et basculent en sérialisation sur une seule ligne pour ce sous-arbre. Ensuite, les déclarations d'espace de noms (`xmlns`, `xmlns:prefix`) doivent rester sur l'élément où elles sont initialement déclarées ; les déplacer changerait leur portée. L'ordre des attributs n'est pas canonique selon la spécification, la plupart des formateurs appliquent donc un tri alphabétique tout en préservant les déclarations `xmlns:*` en tête. L'analyse et la sérialisation sont en O(n) par rapport à la longueur du document ; les très gros flux passent généralement par SAX plutôt que de construire un DOM en mémoire.

• Spécification : W3C XML 1.0 Cinquième édition (REC-xml-20081126) ; le DOM est construit via `DOMParser().parseFromString(src, 'application/xml')`, équivalent à libxml2 ou `xmllint --format` côté serveur.
• Strict par conception : balises mal appariées, `&`/`<` non échappés, attributs en double ou caractères invalides déclenchent un élément `<parsererror>` ; la récupération permissive de HTML ne s'applique pas.
• Cinq entités prédéfinies ré-encodées dans les valeurs de texte et d'attribut : `&amp;` `&lt;` `&gt;` `&quot;` `&apos;`. Les références de caractères numériques comme `&#10;` sont préservées telles quelles.
• L'auto-fermeture `<foo/>` et `<foo></foo>` sont sémantiquement identiques selon §3.1 ; les sections CDATA sont préservées telles quelles et ne peuvent pas contenir la terminaison `]]>`.
• Le contenu mixte (texte + éléments enfants) ne peut pas être ré-indenté sans modifier l'infoset — le sérialiseur détecte les espaces significatifs et sérialise ces sous-arbres en ligne.
• Les déclarations d'espace de noms (`xmlns`, `xmlns:prefix`) restent sur l'élément de première déclaration ; les déplacer changerait leur portée. L'ordre des attributs n'est pas canonique, un tri stable (xmlns en tête, puis alphabétique) est donc typique.
• Complexité : analyse O(n) et sérialisation O(n) pour les outils basés sur DOM ; les gros documents passent par SAX/StAX (xml.sax en Python, javax.xml.stream en Java) pour éviter de charger l'arbre complet en mémoire.