Ferramenta de Formatação XML

O formatador XML transforma XML compacto ou bagunçado em uma estrutura indentada e legível. XML aparece em arquivos de configuração, mensagens SOAP, sitemaps, feeds RSS, documentos de escritório, artefatos de build e muitas integrações corporativas antigas, onde uma tag de fechamento ausente ou um caractere mal escapado pode interromper o processamento. A ferramenta ajuda a enxergar elementos aninhados, atributos, nós de texto, namespaces e possíveis pontos de erro com mais rapidez do que ler uma linha comprimida. Ela é útil para depuração, documentação, comparação e ensino, mas não substitui validação por XSD, contrato de API ou formato exigido por parceiros.

A formatação XML é fundamentada na recomendação W3C XML 1.0 (Quinta Edição). A análise ocorre por meio de `new DOMParser().parseFromString(src, 'application/xml')` (ou `text/xml`), que retorna um Document cujos nós correspondem às sete produções definidas na especificação: Element, Attr, Text, CDATASection, Comment, ProcessingInstruction e DocumentType. Ao contrário do HTML, os parsers XML são estritos: uma tag incompatível, um `&` não escapado ou um atributo duplicado aborta a análise e o DOMParser retorna um elemento `<parsererror>` cujo corpo contém a linha e a coluna. Equivalentes no lado do servidor incluem libxml2 (`xmllint --format`), `xml.etree.ElementTree` do Python, StAX/SAX do Java e `XmlReader` do .NET. O serializador percorre o DOM nó por nó: cada Element abre em sua própria linha com depth*indent espaços, os filhos recursam com depth+1, a tag de fechamento alinha com a tag de abertura e elementos vazios colapsam para a forma auto-fechante `<foo/>` que a seção §3.1 da especificação declara semanticamente equivalente a `<foo></foo>`. Cinco entidades predefinidas são sempre recodificadas em valores de texto e atributo: `&amp;` `&lt;` `&gt;` `&quot;` `&apos;`. Seções CDATA (`<![CDATA[ ... ]]>`) são preservadas literalmente porque são a válvula de escape explícita para conteúdo que de outra forma precisaria de codificação de entidades; o terminador `]]>` não pode aparecer dentro de um bloco CDATA conforme §2.7, o que o parser impõe. Instruções de processamento como `<?xml-stylesheet?>` e a declaração XML `<?xml version="1.0" encoding="UTF-8"?>` são mantidas no prólogo do documento. A declaração DOCTYPE é preservada como uma única string. Duas sutilezas impulsionam a maior parte da complexidade do formatador. Primeiro, conteúdo misto — um elemento contendo tanto texto quanto elementos filhos, como `<p>Hello <b>world</b>!</p>` — não pode ser re-indentado sem alterar o infoset do documento, porque cada caractere de espaço em branco nesse contexto é um nó Text significativo. Os formatadores detectam conteúdo misto verificando se um Element possui algum filho Text que não seja espaço em branco e mudam para uma serialização em linha única para essa subárvore. Segundo, declarações de namespace (`xmlns`, `xmlns:prefix`) devem permanecer no elemento onde foram declaradas pela primeira vez; movê-las altera o escopo. A ordem dos atributos não é canônica conforme a especificação, então a maioria dos formatadores aplica ordenação alfabética enquanto preserva quaisquer declarações `xmlns:*` iniciais. A análise e a serialização são O(n) sobre o comprimento do documento; feeds muito grandes normalmente são processados via streaming com SAX em vez de construir um DOM na memória.

• Especificação: W3C XML 1.0 Quinta Edição (REC-xml-20081126); o DOM é construído via `DOMParser().parseFromString(src, 'application/xml')`, equivalente a libxml2 ou `xmllint --format` no lado do servidor.
• Estrito por design: tags incompatíveis, `&`/`<` não escapados, atributos duplicados ou caracteres inválidos acionam um elemento `<parsererror>`; a recuperação permissiva do HTML não se aplica.
• Cinco entidades predefinidas recodificadas em valores de texto e atributo: `&amp;` `&lt;` `&gt;` `&quot;` `&apos;`. Referências numéricas de caracteres como `&#10;` são preservadas como estão.
• Auto-fechamento `<foo/>` e `<foo></foo>` são semanticamente idênticos conforme §3.1; seções CDATA são preservadas literalmente e não podem conter o terminador `]]>`.
• Conteúdo misto (texto + elementos filhos) não pode ser re-indentado sem alterar o infoset — o serializador detecta espaços em branco significativos e serializa essas subárvores em linha.
• Declarações de namespace (`xmlns`, `xmlns:prefix`) permanecem no elemento da primeira declaração; movê-las altera o escopo. A ordem dos atributos não é canônica, então uma ordenação estável (xmlns primeiro, depois alfabética) é o padrão.
• Complexidade: análise O(n) e serialização O(n) para ferramentas baseadas em DOM; documentos grandes são processados via streaming com SAX/StAX (xml.sax em Python, javax.xml.stream em Java) para evitar carregar a árvore completa na memória.