O que é XML? Não está morto — só se esconde dentro de arquivos que você usa todo dia

O XML costuma ser descrito como obsoleto, o que é estranho, já que você quase certamente abriu vários arquivos XML hoje sem perceber. Ele perdeu a discussão sobre enviar dados entre programas — o JSON venceu isso com folga. Manteve todo o resto.

O que é

XML significa Extensible Markup Language. Parece HTML, com uma diferença crucial: em HTML as tags são fixas e já definidas, enquanto em XML você inventa as suas.

<book>
  <title>Jornada ao Oeste</title>
  <year>1592</year>
</book>

Nada define <book> de antemão. O formato dá a gramática — tags, aninhamento, atributos — e você fornece o vocabulário que seus dados precisam.

Onde você já usa

• Documentos do Word, Excel e PowerPoint. Um .docx é um pacote zip cheio de XML; o texto, a formatação e a estrutura são arquivos XML lá dentro.
• Ebooks. Um EPUB usa XML no manifesto, na lombada e no sumário.
• SVG. Gráficos vetoriais são XML. Abra qualquer logo SVG num editor de texto e você está lendo XML.
• Sitemaps. O arquivo que todo site entrega aos buscadores é XML.
• Feeds RSS e de podcast. Todo podcast do planeta é distribuído como feed XML.
• Documentos oficiais e de empresa. A nota fiscal eletrônica é XML obrigatório em muitos países.
• Layouts de apps Android e muitíssima configuração em geral.

Não é uma lista de legado. É onde o XML se mostrou certo.

A única coisa que o JSON não faz

Considere uma frase com ênfase dentro: a rápida raposa marrom, onde só «rápida» está em itálico. Em XML isso é natural:

<p>a <em>rápida</em> raposa marrom</p>

Texto e marcação se entrelaçam — o que o XML chama de conteúdo misto. O elemento contém um pouco de texto, depois um elemento, depois mais texto.

O JSON não tem como expressar isso. Seus valores são texto, número, lista ou objeto; não existe o conceito de «texto com coisas embutidas em pontos específicos». Representar essa frase em JSON exige inventar uma convenção — um array de fragmentos, cada um marcado com seu estilo — e aí todos precisam aceitar a sua invenção.

Documentos são feitos de conteúdo misto. Quase toda frase de um documento real tem algo marcado dentro. É por isso que processadores de texto, ebooks e diagramação são XML, e por isso continuarão sendo.

Dados não são assim. Um preço é um número, um nome é um texto, um pedido tem uma lista de itens. O JSON encaixa perfeito e o XML só acrescenta pontuação.

O que mais o XML tem

• Atributos. <book id="42"> — metadados presos ao elemento em vez de dentro dele.
• Comentários. <!-- assim -->. O JSON não tem nenhum, o que incomoda de verdade em arquivos de configuração.
• Esquemas. Um documento à parte pode especificar exatamente quais elementos são permitidos, em que ordem e com que tipos — e um arquivo pode ser validado automaticamente contra ele. É por isso que setores regulados usam XML: um governo publica um esquema e a lei pode remeter a ele.
• Namespaces. Vocabulários de fontes diferentes se combinam num arquivo sem colisão de nomes.
• Transformação. XSLT transforma uma estrutura XML em outra, ou em HTML, como transformação declarada em vez de programa.

As regras, e a que quebra tudo

• Exatamente um elemento raiz contendo todo o resto.
• Toda tag precisa fechar. <br> é inválido; <br/> é o certo.
• Diferencia maiúsculas. <Book> e <book> são elementos diferentes.
• Valores de atributo entre aspas.
• Aninhamento correto. As tags fecham na ordem inversa da abertura.

E então a que causa mais XML quebrado que todas as outras juntas: o e comercial.

Cinco caracteres são reservados, e & é o perigoso porque aparece o tempo todo em URLs. Um endereço com parâmetros tem & entre eles, e colado cru dentro de XML invalida o arquivo na hora. Precisa ser escrito como &.

Essa é a causa habitual de um validador recusar um sitemap ou um feed RSS: um único e comercial sem escape num link. Os outros quatro são <, >, " e ', escritos <, >, " e '.

Para um bloco cheio desses caracteres, <![CDATA[ ... ]]> marca uma região que o analisador deve tomar literalmente — o jeito padrão de pôr HTML dentro de um feed RSS.

Codificação

Diferente do CSV, o XML resolve bem o problema da codificação. A primeira linha declara:

<?xml version="1.0" encoding="UTF-8"?>

O arquivo diz o que é, nada precisa adivinhar, e conteúdo chinês ou japonês sobrevive à passagem entre sistemas. Uma coisa pequena que elimina uma categoria inteira de falha.

Por que a verbosidade às vezes é o ponto

O XML é prolixo. Para uma API chamada mil vezes por segundo isso é puro desperdício, e o JSON é a resposta certa.

Para um documento que precisa ser legível daqui a trinta anos, validado contra um padrão publicado e interpretado identicamente por duas organizações que nunca se falaram, a verbosidade está trabalhando. O arquivo se descreve, o esquema define o que é legal, e nada depende de uma suposição comum que ninguém escreveu.

Essa é a divisão que vale lembrar: JSON para dados em movimento, XML para documentos que precisam durar.

Consulta rápida

• Linguagem de marcação onde você define as próprias tags
• Dentro de DOCX, XLSX, EPUB, SVG, sitemaps e feeds RSS
• Representa conteúdo misto — texto com marcação dentro — e o JSON não
• Tem atributos, comentários, namespaces, esquemas e XSLT
• Um elemento raiz, toda tag fechada, diferencia maiúsculas, atributos entre aspas
• Um & sem escape quebra o arquivo — escreva &, sobretudo em URLs
• Declara a própria codificação na primeira linha
• JSON para dados em movimento; XML para documentos que precisam durar