Convertidor de XML a YAML

YAML 1.2 se diseñó como un superconjunto de JSON, así que aquí no hay un árbol aparte. El XML se convierte a la misma estructura que produce la página de XML a JSON y un serializador distinto lo escribe. Cada decisión de mapeo de esa página se aplica sin cambios: los atributos se convierten en claves con prefijo, el texto que comparte elemento con atributos o hijos va bajo una clave de texto, un elemento que aparece dos veces se convierte en una secuencia, y los comentarios se descartan.

Una cosa empeora. En JSON un consumidor al menos ve corchetes; en YAML la diferencia entre un elemento y dos es un escalar indentado frente a una lista de guiones, y eso nadie lo ve en un diff. Usa el campo «siempre un array» para cualquier cosa que conceptualmente sea una lista, de modo que un documento de un elemento y uno de cincuenta produzcan la misma forma.

<order id="00042">
  <total currency="GBP">19.90</total>
  <line sku="0071">Widget</line>
  <line sku="0072">Gasket</line>
  <country>NO</country>
</order>

order:
  attr_id: '00042'
  total:
    attr_currency: GBP
    text: '19.90'
  line:
    - attr_sku: '0071'
      text: Widget
    - attr_sku: '0072'
      text: Gasket
  country: 'NO'

YAML 1.1 define su tipo booleano por enumeración, y la enumeración es más ancha de lo que cualquiera espera. La página de tipos publicada lista, literalmente: y, Y, yes, Yes, YES, n, N, no, No, NO, true, True, TRUE, false, False, FALSE, on, On, ON, off, Off, OFF. Todos y cada uno de esos, sin entrecomillar, se cargan como booleano.

La consecuencia tiene nombre. Un conjunto de datos de códigos de país ISO recibe NO para Noruega y el analizador le entrega a la aplicación false. La misma lista se traga una columna Sí/No exportada de una hoja de cálculo y cualquier interruptor escrito on u off que pretendía ser texto. YAML 1.2 estrechó el esquema central a solo true y false, pero PyYAML, Psych de Ruby, Ansible y buena parte de las herramientas de Kubernetes siguen resolviendo el conjunto de 1.1, así que da por vivo todo él.

El emisor pone comillas simples a cualquier escalar que coincida exactamente con esa lista, incluidas las formas de una sola letra, más null, Null, NULL y la virgulilla. Fíjate en la distinción de mayúsculas: yES y nO no están en la lista de 1.1 y no se entrecomillan, porque ningún analizador conforme los lee tampoco como booleanos.

El conjunto booleano es el caso famoso, no el común. La mayoría de los valores que se rompen son números que nunca fueron números, porque YAML infiere un tipo de la escritura de un escalar plano exactamente como JSON no hace. Un escalar recibe comillas simples cuando coincide con el conjunto booleano o nulo, cuando coincide con una gramática de número de JSON (lo que cubre 42, 19.90 y 1.10), cuando tiene un cero inicial seguido de más dígitos, cuando está vacío, cuando empieza por un carácter indicador de YAML como un guion o una almohadilla, o cuando tiene espacio en blanco en cualquiera de los extremos.

El texto de varias líneas no se entrecomilla. Se convierte en un escalar de bloque literal introducido por una barra vertical con indicador de recorte. Se elige literal sobre plegado a propósito: un bloque plegado refluye los saltos de línea sencillos convirtiéndolos en espacios, destruyendo código y direcciones incrustados. El indicador de recorte quita el salto de línea final que un bloque añadiría de otro modo.

Algunos valores salen del emisor sin comillas y pueden cambiar de tipo aguas abajo. Se listan en lugar de pasarlos por alto, porque ningún emisor que use escalares planos ha resuelto la inferencia de tipos de YAML:

• Números sexagesimales. YAML 1.1 lee 22:22 como un entero en base 60, así que una duración se convierte en 1342 en PyYAML. Un analizador de 1.2 como js-yaml devuelve la cadena, así que esto depende de qué lado lea el archivo.
• Escrituras hexadecimales. 0x1F se carga como 31 tanto en YAML 1.1 como en el esquema central de 1.2, así que un código de color hexadecimal necesita comillas.
• Fechas. 2024-01-05 coincide con el tipo timestamp de YAML, así que js-yaml y PyYAML te entregan los dos un objeto de fecha en lugar de una cadena.
• Escalares de bloque cuya primera línea está indentada más que las líneas de después, lo que pasa cuando una sección CDATA conserva los espacios iniciales. El arreglo de YAML es un indicador de indentación explícito tras la barra vertical, que este emisor no escribe.

Esta es la única preparación que merece la pena hacer. Los valores por defecto se eligieron para JSON, donde son seguros, y YAML tiene una gramática más estricta para las claves que para los valores.

El prefijo de atributos por defecto es @_ y la clave de texto por defecto es #text. En YAML, @ es un indicador reservado con el que un escalar plano no puede empezar, así que una clave @_id hace que el documento no se analice: js-yaml informa de «bad indentation of a mapping entry» y PyYAML informa de un carácter que no puede iniciar ningún token. Una # inicial es peor porque no falla. Una línea que dice #text: 19.90 es un comentario, así que el archivo carga y el valor simplemente no está ahí.

Los dos campos están en la fila de controles encima del editor. Pon el prefijo en algo llano como attr_ y la clave de texto en text, y cada clave de la salida será un nombre YAML corriente. Las claves que necesitan comillas por otras razones, como soap:Body, se entrecomillan automáticamente, porque los dos puntos no son legales en una clave desnuda.

Dos pasos: analizar el XML de forma segura, y luego serializar con un volcador al que hayas dicho que entrecomille como es debido. La mitad del XML necesita las banderas de entidades de siempre, porque los valores por defecto en Java y .NET resolverán un DOCTYPE. La mitad del YAML necesita atención porque los volcadores difieren en lo agresivamente que entrecomillan.