Formateador de XML

Un formateador construido sobre expresiones regulares — insertando un salto de línea antes de cada `<` e indentando según un conteo continuo de etiquetas abiertas — funciona pasablemente en XML simple escrito a mano y falla en documentos del mundo real por razones fáciles de pasar por alto hasta que causan un archivo corrompido. Una sección CDATA, escrita como `<![CDATA[...]]>`, existe específicamente para contener texto arbitrario que podría en sí mismo contener caracteres que parecen etiquetas, y una expresión regular que busca `<` no tiene forma de saber que debería ignorar todo entre esos marcadores en lugar de tratar el contenido como estructura. Los comentarios llevan el mismo riesgo, y los valores de atributo son aún peores: un atributo como `note="a > b"` contiene un carácter `>` literal que un escáner ingenuo puede confundir con el final de la etiqueta, truncándola silenciosamente en el lugar equivocado.

Formatear XML correctamente significa que el escáner tiene que reconocer estas regiones especiales — bloques CDATA, comentarios, instrucciones de procesamiento, declaraciones DOCTYPE, y valores de atributo entrecomillados — antes de buscar cualquier cosa que se parezca a una estructura de etiquetas, para que su contenido se traslade byte por byte en lugar de reinterpretarse como marcado.

Esta herramienta comprueba que cada etiqueta esté correctamente cerrada y correctamente anidada — las reglas estructurales que hacen que un documento sea XML "bien formado" — e informa la etiqueta específica desbalanceada o sin cerrar cuando esa comprobación falla. Lo que no hace es validar el documento contra un DTD o un XML Schema (XSD), que además comprobaría si los elementos, atributos y sus valores específicos se ajustan a las reglas de un tipo de documento particular — si está presente un atributo requerido, si un elemento aparece en el contexto correcto, si un valor coincide con un tipo de dato esperado. Eso es una comprobación genuinamente distinta y más elaborada que requiere el propio documento de esquema como una entrada adicional, no algo que un formateador de propósito general pueda inferir solo del XML.

El XHTML estricto es XML válido y se formatea correctamente aquí, pero el HTML ordinario del mundo real no lo es, por razones integradas en la propia especificación de HTML: elementos vacíos como `<br>` e `<img>` nunca se cierran y no tienen ninguna etiqueta de cierre en absoluto, varias etiquetas tienen etiquetas de cierre opcionales que los navegadores infieren automáticamente, y los navegadores toleran anidamiento malformado que el análisis XML estricto rechazaría directamente. Un formateador estricto de XML aplicado a HTML típico informaría errores en cada página completamente normal y bien formada, que es precisamente por lo que HTML tiene un formateador separado construido alrededor de un analizador HTML real que entiende estas reglas específicas de HTML en lugar de tratar el documento como XML estricto.

JSON ha reemplazado a XML como la elección por defecto para nuevas API web, pero gran parte de la infraestructura se construyó antes de ese cambio y todavía funciona sobre él: servicios web SOAP, feeds RSS y Atom, imágenes SVG (que en sí mismas son XML), formatos de documento de Office internamente, y una larga cola de sistemas empresariales y formatos de configuración anteriores a la popularidad de JSON. Cualquiera que se integre con uno de estos sistemas más antiguos o más formales todavía necesita leer, depurar y producir XML bien formado, que es precisamente la audiencia a la que sigue sirviendo un formateador de XML dedicado incluso cuando XML ha retrocedido en el diseño de nuevas API.