Convertir XML a Excel

Encontrar las filas dentro de un árbol

XML no tiene el concepto de tabla, así que lo primero es identificar qué elementos son los registros. La señal fiable es la repetición: un elemento padre con muchos hijos del mismo nombre casi siempre indica una lista de registros, y los elementos hijos y atributos de esos hijos se convierten en las columnas. Esto funciona con la inmensa mayoría del XML de datos (exportaciones, feeds, respuestas de API, volcados de configuración) porque todos están construidos de la misma manera.

Tanto los atributos como los elementos hijos se convierten en columnas, y eso es necesario porque XML ofrece dos formas de decir lo mismo y cada sistema elige la suya. Una exportación escribe id="42" como atributo; otra escribe <id>42</id> como elemento; una tercera hace ambas cosas en el mismo documento. A una cuadrícula no le importa la diferencia y a ti tampoco debería, así que ambos llegan como columnas, con los atributos marcados para que un nombre que aparece en las dos formas no choque.

El anidamiento de más de un nivel se aplana uniendo los nombres de los elementos, igual que con el JSON anidado. Cuando un registro contiene un hijo repetido (tres líneas de pedido dentro de un pedido), una cuadrícula no puede representarlo como filas sin duplicar todo lo que lo rodea, así que los valores repetidos se conservan en su celda. Los espacios de nombres se eliminan de los nombres de las columnas, porque una columna llamada ns2:customerName no le sirve a nadie en una hoja de cálculo, mientras que los valores en sí no se tocan.

El XML de prosa no tiene una tabla que encontrar y se convierte mal. Una página XHTML, un artículo DocBook, un capítulo de ePub o un dibujo SVG son documentos y no conjuntos de datos: su estructura es anidada e irregular por diseño, y no hay ningún registro repetido con el que construir filas. La conversión producirá algo, y ese algo no será útil. Esta página es para XML de datos, y tener clara la diferencia ahorra más tiempo que cualquier ajuste.

Si buscas otra cosa

Cuando conoces la estructura, extráela a propósito en lugar de deducirla. xmlstarlet sel -t -m "//order" -v "@id" -o "," -v "customer" -n data.xml saca exactamente los campos que quieres con una expresión XPath, y xq hace lo mismo con una sintaxis al estilo de jq. Esa es la diferencia entre una conversión que funciona por casualidad y una que puedes meter en un pipeline.

Para archivos muy grandes, todo lo de aquí tiene la forma equivocada: el documento se analiza entero en memoria, y un XML analizado como árbol suele ocupar varias veces el tamaño del archivo. Los analizadores en streaming, como iterparse de Python o SAX en cualquier lenguaje, recorren un documento de varios gigabytes con memoria constante, y son el único enfoque realista pasados unos cientos de megabytes.