Конвертировать XML в Excel

Как найти строки в дереве

В XML нет понятия таблицы, поэтому сначала нужно определить, какие элементы являются записями. Надёжный признак — повторение: родительский элемент со множеством дочерних элементов с одинаковым именем почти всегда означает список записей, а их собственные дочерние элементы и атрибуты становятся столбцами. Это работает для подавляющего большинства XML с данными — выгрузок, фидов, ответов API, дампов конфигурации, — потому что все они устроены одинаково.

И атрибуты, и дочерние элементы превращаются в столбцы. Без этого не обойтись: в XML одно и то же можно записать двумя способами, и разные системы выбирают по-разному. Одна выгрузка пишет id="42" как атрибут, другая — <id>42</id> как элемент, третья делает и то и другое в одном документе. Таблице эта разница безразлична, и вам тоже не должна быть важна, поэтому оба варианта становятся столбцами, а атрибуты помечаются, чтобы одинаковое имя в двух формах не вызывало конфликта.

Вложенность глубже одного уровня разворачивается объединением имён элементов — так же, как во вложенном JSON. Если запись содержит повторяющийся дочерний элемент — три позиции в одном заказе, — таблица не может показать его строками, не дублируя всё вокруг, поэтому повторяющиеся значения остаются в своей ячейке. Пространства имён убираются из названий столбцов, потому что столбец ns2:customerName никому в таблице не поможет, а сами значения не меняются.

В текстовом XML нет таблицы, и конвертируется он плохо. Страница XHTML, статья DocBook, глава ePub или рисунок SVG — это документ, а не набор данных: его структура вложенная и нерегулярная по своей природе, и в нём нет повторяющейся записи, из которой можно собрать строки. Конвертация что-то выдаст, но пользы от этого не будет. Эта страница — для XML с данными, и понимание этой разницы экономит больше времени, чем любая настройка.

Если нужно другое

Если вы знаете структуру, извлекайте данные осознанно, а не полагайтесь на догадки. xmlstarlet sel -t -m "//order" -v "@id" -o "," -v "customer" -n data.xml достаёт ровно нужные поля с помощью выражения XPath, а xq делает то же самое с синтаксисом в стиле jq. В этом и разница между конвертацией, которая сработала по счастливой случайности, и той, которую можно встроить в конвейер.

Для очень больших файлов здесь всё устроено неподходяще: документ целиком разбирается в памяти, а XML, разобранный в дерево, обычно занимает в несколько раз больше места, чем сам файл. Потоковые парсеры — iterparse в Python или SAX в любом языке — обходят документ в несколько гигабайт с постоянным расходом памяти, и после нескольких сотен мегабайт это единственный реальный подход.