Инструмент форматирования XML

XML Formatter превращает сжатый или неаккуратный XML в структуру с отступами, которую легче читать. XML встречается в конфигурациях, SOAP-сообщениях, sitemap, RSS-лентах, офисных документах, build-артефактах и старых корпоративных интеграциях, где один пропущенный закрывающий тег или неправильно экранированный символ может остановить обработку. Инструмент помогает быстрее увидеть вложенные элементы, атрибуты, текстовые узлы, пространства имен и вероятные места ошибок. Он полезен для отладки, документации, сравнения и обучения, но не заменяет проверку схемы, если требуется конкретный XSD, API-контракт или партнерский формат. Форматирование улучшает читаемость, но не делает неверный XML правильным. Для production-данных или кодовой базы результат все равно нужно проверить parser, тестами или правилами проекта.

Форматирование XML основано на рекомендации W3C XML 1.0 (пятое издание). Разбор выполняется через `new DOMParser().parseFromString(src, 'application/xml')` (или `text/xml`), который возвращает Document, узлы которого соответствуют семи продукциям, определённым в спецификации: Element, Attr, Text, CDATASection, Comment, ProcessingInstruction и DocumentType. В отличие от HTML, XML-парсеры строги: несовпадающий тег, неэкранированный `&` или дублирующийся атрибут прерывают разбор, и DOMParser возвращает элемент `<parsererror>`, тело которого содержит строку и столбец. Серверные аналоги включают libxml2 (`xmllint --format`), `xml.etree.ElementTree` на Python, StAX/SAX на Java и `XmlReader` на .NET. Принтер сериализует DOM поузлово: каждый Element открывается на отдельной строке с отступом depth*indent, дочерние элементы рекурсивно обрабатываются с depth+1, закрывающий тег выравнивается с открывающим, а пустые элементы сворачиваются в самозакрывающееся сокращение `<foo/>`, которое §3.1 спецификации объявляет семантически эквивалентным `<foo></foo>`. Пять предопределённых сущностей всегда перекодируются в текстовых значениях и значениях атрибутов: `&amp;` `&lt;` `&gt;` `&quot;` `&apos;`. Секции CDATA (`<![CDATA[ ... ]]>`) сохраняются дословно, поскольку они являются явным механизмом экранирования для содержимого, которое иначе потребовало бы кодирования сущностей; терминатор `]]>` не может появляться внутри блока CDATA согласно §2.7, что обеспечивается парсером. Инструкции обработки вроде `<?xml-stylesheet?>` и объявление XML `<?xml version="1.0" encoding="UTF-8"?>` сохраняются в прологе документа. Объявление DOCTYPE передаётся как единая строка. Две тонкости определяют основную сложность форматировщика. Во-первых, смешанное содержимое — элемент, содержащий одновременно текст и дочерние элементы, например `<p>Hello <b>world</b>!</p>`, — не может быть переформатирован с отступами без изменения инфосета документа, поскольку каждый пробельный символ в таком контексте является значимым текстовым узлом. Форматировщики определяют смешанное содержимое, проверяя, есть ли у Element непробельные текстовые дочерние узлы, и переключаются на однострочную сериализацию для этого поддерева. Во-вторых, объявления пространств имён (`xmlns`, `xmlns:prefix`) должны оставаться на элементе, где они впервые объявлены; их перемещение изменяет область видимости. Порядок атрибутов не является каноническим согласно спецификации, поэтому большинство форматировщиков применяют алфавитную сортировку, сохраняя любые начальные объявления `xmlns:*`. Разбор и сериализация выполняются за O(n) от длины документа; очень большие ленты обычно обрабатываются потоково через SAX, а не построением DOM в памяти.

• Спецификация: W3C XML 1.0 пятое издание (REC-xml-20081126); DOM строится через `DOMParser().parseFromString(src, 'application/xml')`, аналогично libxml2 или `xmllint --format` на сервере.
• Строгость по замыслу: несовпадающие теги, неэкранированные `&`/`<`, дублирующиеся атрибуты или недопустимые символы вызывают элемент `<parsererror>`; прощающее восстановление HTML не применяется.
• Пять предопределённых сущностей перекодируются в текстовых значениях и значениях атрибутов: `&amp;` `&lt;` `&gt;` `&quot;` `&apos;`. Числовые ссылки на символы вроде `&#10;` сохраняются как есть.
• Самозакрывающийся `<foo/>` и `<foo></foo>` семантически идентичны согласно §3.1; секции CDATA сохраняются дословно и не могут содержать терминатор `]]>`.
• Смешанное содержимое (текст + дочерние элементы) не может быть переформатировано с отступами без изменения инфосета — принтер определяет значимые пробелы и сериализует такие поддеревья в строку.
• Объявления пространств имён (`xmlns`, `xmlns:prefix`) остаются на элементе первого объявления; их перемещение изменяет область видимости. Порядок атрибутов не является каноническим, поэтому типична стабильная сортировка (сначала xmlns, затем по алфавиту).
• Сложность: O(n) на разбор и O(n) на сериализацию для инструментов на основе DOM; большие документы обрабатываются потоково через SAX/StAX (xml.sax в Python, javax.xml.stream в Java) для избежания загрузки всего дерева в память.