Converter XML em Excel

Encontrando as linhas dentro de uma árvore

O XML não tem o conceito de tabela, então a primeira coisa a fazer é identificar quais elementos são os registros. O sinal confiável é a repetição: um elemento pai com muitos filhos de mesmo nome quase sempre indica uma lista de registros, e os elementos filhos e atributos desses filhos viram as colunas. Isso funciona na imensa maioria dos XML de dados — exportações, feeds, respostas de API, dumps de configuração — porque todos são construídos do mesmo jeito.

Tanto atributos quanto elementos filhos viram colunas, e isso é necessário porque o XML oferece duas formas de dizer a mesma coisa e cada sistema escolhe uma. Uma exportação grava id="42" como atributo; outra grava <id>42</id> como elemento; uma terceira faz as duas coisas no mesmo documento. Uma grade não liga para essa distinção, e você também não deveria, então os dois chegam como colunas, com os atributos marcados para que um nome que aparece nas duas formas não entre em conflito.

Aninhamentos com mais de um nível são achatados juntando os nomes dos elementos, do mesmo jeito que no JSON aninhado. Quando um registro contém um filho repetido — três linhas de pedido dentro de um pedido — uma grade não consegue representá-lo como linhas sem duplicar tudo ao redor, então os valores repetidos ficam na sua célula. Os namespaces são removidos dos nomes das colunas, porque uma coluna chamada ns2:customerName não ajuda ninguém em uma planilha, enquanto os valores em si ficam intactos.

XML de texto corrido não tem tabela para encontrar e converte mal. Uma página XHTML, um artigo DocBook, um capítulo de ePub ou um desenho SVG é um documento, e não um conjunto de dados: a estrutura é aninhada e irregular por natureza, e não há registro repetido para montar linhas. A conversão vai produzir alguma coisa, e essa coisa não vai ser útil. Esta página é para XML de dados, e ter clareza sobre essa diferença economiza mais tempo do que qualquer ajuste fino.

Quando você precisa de outra coisa

Quando você conhece a estrutura, extraia os dados de forma deliberada em vez de deixar que ela seja deduzida. xmlstarlet sel -t -m "//order" -v "@id" -o "," -v "customer" -n data.xml puxa exatamente os campos que você quer com uma expressão XPath, e o xq faz o mesmo com sintaxe no estilo do jq. Essa é a diferença entre uma conversão que por acaso funciona e uma que você pode colocar em um pipeline.

Para arquivos muito grandes, tudo aqui tem o formato errado: o documento é carregado inteiro na memória, e um XML interpretado como árvore costuma ocupar várias vezes o tamanho do arquivo. Interpretadores em fluxo — o iterparse do Python, ou SAX em qualquer linguagem — percorrem um documento de vários gigabytes com memória constante e são a única abordagem realista a partir de algumas centenas de megabytes.