Проверить XML

Две разные планки — и какая из них проверяется здесь

В XML есть два уровня корректности, и их постоянно путают. Синтаксически корректный (well-formed) документ соблюдает правила самого XML: один корневой элемент, все теги закрыты, вложенность правильная, символы допустимы, амперсанды и угловые скобки экранированы, значения атрибутов в кавычках, имена атрибутов внутри элемента не повторяются. Валидный (valid) — это более сильное требование: документ ещё и соответствует конкретной схеме, где нужные элементы стоят в нужном порядке и содержат значения нужного типа. Эта страница проверяет первое. Любой XML-парсер отвергает документ, который не проходит эту проверку, поэтому именно она решает, можно ли вообще прочитать файл.

Ошибки предсказуемы. С большим отрывом чаще всего встречается неэкранированный & — с него начинается ссылка на сущность, поэтому URL с параметрами, вставленный прямо в элемент, ломает документ. Одиночный < в тексте делает то же самое. Дальше идут несовпадающие или незакрытые теги, элементы, закрытые в неправильном порядке, два корневых элемента и случайный управляющий символ, который XML не допускает вовсе, хотя в файле его не видно.

DTD или схема намеренно никогда не загружаются, и это свойство безопасности, а не недостающая функция. XML-документ может ссылаться на внешнюю сущность, и парсер, который её разрешает, пойдёт и загрузит то, на что она указывает, — файл на диске, адрес во внутренней сети. Это уязвимость XML External Entity (XXE), один из самых эксплуатируемых классов ошибок, и единственная полная защита — не разрешать такие сущности. Поэтому страница никуда не обращается, а платой за это становится то, что проверка по схеме в неё не входит.

Вы получаете точную строку и столбец, где остановился разбор. Как и у любого парсера, это место, где документ перестал иметь смысл, а не место самой ошибки: о незакрытом теге обычно сообщается на следующем за ним неожиданном закрывающем теге, иногда через сотни строк. Указанная позиция — это точка, от которой нужно искать вверх, а не место для правки.

Если нужно другое

Для проверки по схеме эталонный инструмент — xmllint: xmllint --noout --schema schema.xsd file.xml для XSD, --relaxng для RELAX NG и --noout --valid для DTD. Он сообщает обо всех нарушениях, а не останавливается на первом, — именно это нужно, когда документ действительно неверен, а не просто повреждён.

Если на вход поступают недоверенные данные, настройки парсера важнее валидатора. Явно отключите разрешение внешних сущностей и обработку DTD в своём языке — defusedxml в Python, LIBXML_NONET в PHP, безопасная обработка (secure processing) в Java, — потому что несколько популярных парсеров до сих пор разрешают сущности по умолчанию, а уязвимость живёт именно в настройках по умолчанию.