Formatear XML

XML (Extensible Markup Language) lleva más de 25 años existiendo, pero sigue tejido en la infraestructura del software moderno: desde documentos de Office y diseños de Android hasta APIs SOAP, feeds RSS, archivos de configuración y flujos de trabajo de preservación digital. Ya no es el favorito—esa corona se la llevó JSON—pero XML sigue siendo crítico donde importan la estructura rígida, los metadatos ricos y la interoperabilidad a largo plazo. El objetivo de este artículo es explicar XML a fondo: de dónde viene, cómo funciona, cómo lo procesamos y validamos, cómo se compara con formatos más nuevos y cómo usarlo de forma segura y eficaz en 2025 y más allá.

1. Qué es XML realmente

XML es un lenguaje de marcado simplificado para representar datos y documentos estructurados usando elementos y atributos anidados. Está definido por la Recomendación Extensible Markup Language (XML) 1.0 del World Wide Web Consortium, que especifica la sintaxis para documentos XML bien formados y describe cómo los procesadores deben manejarlos.

La especificación XML describe XML como un subconjunto restringido de SGML (Standard Generalized Markup Language), diseñado para ser más simple de implementar mientras preserva el poder central de SGML: representar texto estructurado con marcado explícito.

Algunas propiedades clave hacen que XML sea distintivo:

• Basado en texto y consciente de Unicode. Los documentos XML son texto plano y dependen de conjuntos de caracteres Unicode/ISO 10646, lo que los hace portables e independientes del idioma.
• Autodescriptivo. Los nombres de etiquetas y atributos llevan significado. No se requiere un esquema separado para entender básicamente la estructura (aunque los esquemas lo hacen mucho más poderoso).
• Jerárquico. La estructura de árbol de XML mapea directamente a datos anidados, documentos y jerarquías de configuración.
• Extensible. Inventas tus propias etiquetas y vocabularios; XML en sí no fija el conjunto de elementos permitidos.

2. Una breve historia: de SGML a XML a la web moderna

Las raíces de XML están en SGML, un estándar ISO de los años 80 usado extensivamente en publicación y documentación técnica. A mediados de los 90, el HTML de la web (que en sí mismo estaba basado en SGML) estaba en todas partes pero era demasiado limitado y estaba fuertemente acoplado a la presentación.

Alrededor de 1996–1997, un grupo de trabajo que incluía a Jon Bosak, Tim Bray, C. M. Sperberg-McQueen, James Clark y otros comenzó a diseñar un subconjunto más simple y amigable para la web de SGML que pudiera ser parseado fácil y confiablemente. La primera Recomendación XML 1.0 se publicó en 1998, y XML rápidamente se convirtió en la base de muchos estándares y protocolos de la web temprana, incluyendo SOAP, WSDL, SVG, XSLT y numerosos vocabularios específicos de la industria.

Más tarde, XML 1.1 refinó algunos casos límite de manejo de caracteres y caracteres de control, pero XML 1.0 sigue siendo la variante dominante en la práctica.

3. Sintaxis XML central: documentos bien formados

La especificación XML 1.0 define una sintaxis precisa para documentos bien formados. Como mínimo, un documento XML bien formado:

• Tiene exactamente un elemento raíz.
• Usa etiquetas de inicio y fin coincidentes.
• Anida elementos correctamente (sin etiquetas superpuestas).
• Usa valores de atributo entre comillas.
• Usa caracteres y codificaciones legales.

Un documento pequeño pero válido podría verse así:

<?xml version="1.0" encoding="UTF-8"?>
<note>
  <to>George</to>
  <from>Adam</from>
  <message>Hello XML!</message>
</note>

La declaración XML es opcional, pero es la forma convencional de indicar la versión y la codificación de caracteres. El elemento del documento <note> es la única raíz. Los nodos de texto, elementos, atributos, comentarios, instrucciones de procesamiento y referencias de entidades juntos forman la estructura de árbol descrita en la especificación.

XML también distingue entre documentos bien formados y válidos:

• Un documento bien formado sigue las reglas de sintaxis.
• Un documento válido además se conforma a una DTD o esquema que restringe su estructura y contenido.

4. Espacios de nombres: mezclar vocabularios de forma segura

A medida que los vocabularios XML se multiplicaron, las colisiones de nombres se convirtieron en un problema: un vocabulario podría usar <title> para un título de libro; otro para un título de trabajo. Para evitar conflictos, XML introdujo espacios de nombres, definidos en la Recomendación W3C Namespaces in XML.

Por ejemplo:

<book xmlns:dc="http://purl.org/dc/elements/1.1/">
  <dc:title>XML in Depth</dc:title>
</book>

Aquí, dc:title se distingue de forma segura de cualquier otro elemento <title> vinculando el prefijo dc al URI del espacio de nombres Dublin Core. Los espacios de nombres son cruciales en los ecosistemas XML modernos: XSD, XSLT, SOAP, RSS y Office Open XML dependen fuertemente de ellos.

5. Validación: DTDs, XML Schema y más

5.1 DTDs

La especificación XML original incluía Document Type Definitions (DTDs) como la forma canónica de definir la estructura permitida de documentos—elementos, atributos, entidades permitidos, etc. Las DTDs son compactas y están bien integradas en el prólogo XML, pero son limitadas: usan una sintaxis no XML, tienen tipado débil y luchan con los espacios de nombres.

5.2 XML Schema (XSD)

Para abordar las limitaciones de DTD, W3C estandarizó XML Schema Definition (XSD), ahora en la versión 1.1, en XML Schema Definition Language (XSD) 1.1 Part 1: Structures. XSD está escrito en XML, soporta espacios de nombres y proporciona tipado rico (cadenas, números, fechas, listas, uniones), restricciones de ocurrencia y modelos de contenido complejos.

Existen otros lenguajes de esquema—como RELAX NG y Schematron—pero XSD sigue siendo el estándar de facto en muchos entornos empresariales y basados en estándares.

5.3 Por qué importa la validación

La validación convierte XML de texto estructurado en contratos entre sistemas. Por ejemplo:

• Las especificaciones de mensajería financiera definen esquemas estrictos para instrucciones de pago.
• Estándares como Office Open XML y RSS formalizan sus formatos de documento con esquemas.
• Las herramientas de construcción y configuración validan archivos como pom.xml o web.config para detectar errores temprano.

6. Procesamiento XML: DOM, SAX y streaming

XML por sí mismo es solo texto. Para hacer algo útil, el software debe parsearlo en algún modelo. Los dos modelos de procesamiento clásicos son DOM y SAX.

6.1 DOM: árbol en memoria

La especificación DOM Level 3 Core del W3C define un modelo de objetos neutral al lenguaje que representa un árbol de documento completo, con nodos para elementos, atributos, texto, comentarios y más. DOM es amigable para acceso aleatorio, fácil de razonar y ampliamente soportado en bibliotecas, pero requiere que todo el documento se mantenga en memoria.

6.2 SAX: streaming basado en eventos

La Simple API for XML (SAX) es una API basada en eventos que parsea XML como un flujo y dispara callbacks para eventos como "inicio de elemento" o "fin de elemento". Se describe en el sitio del Proyecto SAX y en el tutorial de Oracle SAX.

SAX procesa documentos en una sola pasada sin almacenar todo el árbol, lo que lo hace extremadamente eficiente en memoria e ideal para flujos grandes como logs, procesamiento de mensajes o transformaciones por lotes. Las APIs de streaming basadas en pull como StAX siguen principios similares.

7. XPath, XSLT y XQuery: consultar y transformar XML

7.1 XPath

XPath es un lenguaje de consulta compacto para direccionar partes de un documento XML usando expresiones similares a rutas como /bookstore/book[1]/title. La última versión, definida en XPath 3.1, extiende el modelo para también manejar datos JSON a través de mapas y arrays y está respaldado por un gran conjunto de funciones estándar.

XPath está integrado en muchas herramientas: XSLT, XQuery, aserciones de XML Schema y APIs en lenguajes de programación populares.

7.2 XSLT

XSL Transformations (XSLT) es un lenguaje declarativo para transformar XML a otros formatos—XML, HTML, texto o incluso JSON en procesadores modernos. La Recomendación XSLT 3.0 del W3C define un sistema basado en plantillas que se basa en XPath para coincidencia de patrones y selección.

Las hojas de estilo son en sí mismas documentos XML que usan el espacio de nombres XSLT. XSLT 3.0 agrega capacidades de streaming para documentos enormes e integración mejorada con JSON y mapas.

7.3 XQuery

XQuery es un lenguaje de consulta completo para repositorios XML, definido en XQuery 3.1. Está diseñado para consultar y transformar colecciones de datos XML, a menudo almacenadas en bases de datos XML nativas o almacenes de documentos, y usa expresiones FLWOR (for, let, where, order by, return) para generar conjuntos de resultados poderosos.

Juntos, XPath, XSLT y XQuery forman un conjunto de herramientas rico para trabajar con XML a escala, especialmente en contextos de publicación, humanidades digitales, gobierno electrónico e integración de datos.

8. Usos del mundo real de XML hoy

Incluso cuando JSON domina las APIs web, XML todavía está profundamente incrustado en muchos sistemas y estándares.

8.1 Formatos y estándares de documentos

• Office Open XML (OOXML). Los documentos modernos de Microsoft Office (.docx, .xlsx, .pptx) son paquetes ZIP de archivos XML definidos por ECMA-376 Office Open XML y estándares ISO relacionados.
• Preservación digital. Instituciones como la Biblioteca del Congreso tratan XML (especialmente XML 1.0) como un formato estable y amigable para la preservación para representar contenido digital estructurado.
• Marcado académico y técnico. TEI, DocBook y otros vocabularios específicos de dominio están basados en XML, permitiendo marcado semántico y archivado a largo plazo.

8.2 Mensajería y servicios web

• SOAP. La especificación SOAP 1.2 del W3C define un sobre basado en XML para intercambiar mensajes estructurados sobre protocolos como HTTP.
• RSS y sindicación. La especificación RSS 2.0 define un formato XML para sindicación de feeds, todavía ampliamente usado para blogs, noticias y feeds de productos.

8.3 Configuración y sistemas de construcción

• POMs de Maven. El Project Object Model de Apache Maven (pom.xml) es un archivo XML que describe metadatos del proyecto, dependencias, plugins y configuración de construcción, documentado en la Referencia POM y Introducción al POM.
• Configuración XML de Spring Framework. Las aplicaciones tradicionales de Spring a menudo definen beans y cableado en archivos applicationContext.xml o beans.xml, un enfoque todavía descrito en la documentación de referencia de Spring y tutoriales como Java Guides.
• Configuración .NET. ASP.NET y WCF dependen de archivos web.config y app.config formateados en XML para configurar endpoints, enlaces y comportamiento, como se describe en la documentación de web.config de Microsoft y guía de configuración de WCF.

Más generalmente, XML sigue siendo un formato de configuración común cuando la validación y las herramientas son importantes, especialmente con esquemas respaldados por XSD.

8.4 Diseños móviles y de UI

En Android, los diseños de UI típicamente se declaran en archivos XML bajo res/layout. La documentación de Google explica que escribes diseños usando el vocabulario XML de Android para anidar vistas de manera similar a HTML, con cada archivo de diseño conteniendo un solo elemento raíz.

9. XML vs JSON vs YAML

Para 2025, JSON claramente ha ganado el concurso de popularidad para APIs web: un artículo de comparación reciente estima JSON en alrededor del 87% de las respuestas de API web, con XML en 9% y YAML en 4%.

9.1 Fortalezas de XML

Comparado con JSON y YAML, XML brilla cuando necesitas:

• Esquemas ricos y validación fuerte. XSD te permite especificar tipos complejos, restricciones y relaciones, y tiene un ecosistema maduro de herramientas y validadores.
• Contenido mixto y documentos. XML fue construido para documentos con mucho texto donde el marcado y el texto se entrelazan; JSON y YAML son mejores para datos puramente estructurados.
• Metadatos profundos y extensibilidad. Los espacios de nombres y esquemas permiten documentos tolerantes a versiones donde se pueden agregar elementos y atributos opcionales sin romper consumidores más antiguos.

9.2 Fortalezas de JSON y YAML

JSON es más simple de leer y escribir, mapea naturalmente a objetos JavaScript y es más pequeño en la transmisión. Los tutoriales frecuentemente señalan que JSON omite etiquetas de cierre, es más conciso y puede ser parseado nativamente en navegadores sin un parser XML dedicado.

YAML enfatiza la legibilidad humana para configuración y es popular en herramientas DevOps como Kubernetes y Ansible, aunque su complejidad y sensibilidad a la indentación pueden introducir errores.

9.3 Elegir el formato correcto

La guía moderna tiende a ser:

• Usa JSON para la mayoría de APIs web y comunicación cliente-servidor.
• Usa YAML para configuración centrada en desarrolladores en entornos cloud/DevOps.
• Usa XML cuando necesites documentos basados en esquemas, contenido mixto, ecosistemas XML existentes (SOAP, OOXML, WCF, diseños de Android) o archivado a largo plazo donde la estandarización y las herramientas están maduras.

10. Seguridad: XXE y otras trampas de XML

La flexibilidad de XML viene con bordes afilados, particularmente alrededor de entidades externas y DTDs. La Hoja de referencia de prevención de XML External Entity (XXE) de OWASP documenta cómo las vulnerabilidades XXE permiten a los atacantes leer archivos locales, realizar falsificación de solicitudes del lado del servidor o causar denegación de servicio explotando la expansión de entidades.

Los vectores de ataque comunes incluyen:

• Entidades externas que referencian recursos locales o remotos.
• Entidades de parámetro en DTDs que se expanden en cargas útiles enormes.
• Recuperación de DTD sobre redes no confiables.

La guía de mitigación generalmente recomienda:

• Deshabilitar DTDs y entidades externas en parsers siempre que sea posible.
• Usar configuraciones de parser endurecidas o bibliotecas seguras que sigan las recomendaciones de OWASP.
• Validar contra esquemas sin habilitar características riesgosas.

Otras consideraciones de seguridad incluyen documentos de tamaño excesivo (agotamiento de recursos), inyección XPath/XQuery en sistemas que construyen consultas desde entrada de usuario, y archivos de configuración basados en XML mal configurados que llevan a escalada de privilegios o ejecución de código.

11. Diseño y mejores prácticas para XML

Usado cuidadosamente, XML sigue siendo una forma limpia y robusta de modelar datos y documentos. Algunas pautas prácticas:

• Modela un árbol claro. Diseña tu XML alrededor de un árbol conceptual estable (por ejemplo, <invoice> → <lineItems> → <lineItem>) en lugar de reflejar directamente un esquema relacional.
• Elige elementos vs atributos intencionalmente. Usa elementos para contenido principal y estructuras; usa atributos para metadatos y flags.
• Usa espacios de nombres desde el principio. Incluso para vocabularios pequeños, asignar un espacio de nombres (por ejemplo, xmlns="https://example.com/ns/invoice") evita migraciones dolorosas más tarde.
• Respaldar tu formato con un esquema. Proporciona XSD (u otro lenguaje de esquema) y trátalo como parte de tu contrato público. Usa validación de esquema en CI y en puntos de integración.
• Manténlo inspeccionable por humanos. El formato bonito y los comentarios ayudan en depuración, configuración y mantenimiento a largo plazo.
• Separa datos de presentación. Usa XML para estructura y significado, y transfórmalo a HTML, PDF u otros formatos con XSLT u otras herramientas.
• Elige modelos de procesamiento apropiados. Para documentos pequeños a medianos y consultas complejas, DOM + XPath/XSLT puede ser ideal; para flujos muy grandes o entornos restringidos, usa SAX, StAX o procesamiento basado en eventos.
• Endurece los parsers. Sigue la guía de prevención XXE de OWASP y las mejores prácticas de seguridad de tu lenguaje al parsear entrada no confiable.

12. El papel futuro de XML

En el desarrollo web cotidiano, XML ha cedido en gran medida el centro del escenario a JSON y YAML. Pero en muchos dominios—integración empresarial, estándares de documentos, gestión de configuración, preservación digital y sistemas heredados—reescribir todo en formatos más nuevos es inviable o indeseable.

Los organismos de estándares como W3C y Ecma todavía mantienen especificaciones basadas en XML como XML 1.x, XML Schema, XPath, XSLT, XQuery, SOAP y OOXML, y instituciones como la Biblioteca del Congreso continúan tratando XML como un caballo de batalla de archivo.

Para desarrolladores, eso significa que probablemente interactuarás con XML siempre que toques archivos de Office, diseños de Android, muchas pilas empresariales de Java, configuración .NET, servicios SOAP/WSDL más antiguos o intercambio de datos basado en estándares. Entender la sintaxis, espacios de nombres, esquemas y modelos de procesamiento de XML sigue siendo una habilidad valiosa, especialmente si trabajas en integración, infraestructura o sistemas de larga duración.

XML puede que ya no sea la estrella de las APIs web modernas, pero sigue siendo una base sólida, bien especificada y fuertemente herramientada para una enorme cantidad de software. Aprenderlo profundamente vale la pena siempre que necesites esquemas fuertes, documentos ricos o navegar el vasto paisaje de estándares existentes basados en XML.