Dominando los archivos XML: estructura, casos de uso y ventajas clave
Un archivo XML almacena datos estructurados como etiquetas anidadas y legibles por humanos, en lugar de filas y columnas. Microsoft describe el formato como "una tecnología diseñada para administrar y compartir datos estructurados en un archivo de texto legible por humanos". Esta guía explica cómo se construyen estos archivos, de dónde provienen, cómo los manejan las hojas de cálculo y cómo obtener una respuesta a partir de ellos.
¿Qué es un archivo XML?
Es un archivo de texto sin formato que contiene tanto los datos como los nombres de los elementos que describe. Una exportación separada por comas proporciona valores y depende de una fila de encabezado para darles significado. Un archivo etiquetado lleva el significado integrado, junto a cada valor.
Ese diseño tiene una consecuencia que vale la pena comprender antes que cualquier otra cosa. El formato es jerárquico, por lo que un registro puede contener otros registros, a varios niveles de profundidad. Una hoja de cálculo es plana, y la brecha entre esas dos estructuras es donde reside la mayor parte de la dificultad práctica.
La descripción general de Microsoft resume su propósito en una frase: el formato "facilita enormemente la definición, transmisión, validación e interpretación de datos entre bases de datos, aplicaciones y organizaciones".
Cómo funciona la estructura
Elementos y anidamiento
Cada valor se encuentra dentro de un elemento con nombre, y los elementos pueden contener otros elementos. Una factura puede contener un bloque de cliente, una lista de artículos de línea y un bloque de totales, cada uno con sus propios elementos secundarios.
El anidamiento es el punto clave. Registra relaciones que una tabla plana solo puede expresar repitiendo valores a lo largo de las filas.
Etiquetas personalizadas
Los nombres de las etiquetas no están fijados por el formato. Como dice la descripción general oficial, "los diseñadores de aplicaciones pueden crear sus propias etiquetas personalizadas, estructuras de datos y esquemas".
Es por esto que dos archivos de dos proveedores distintos pueden describir la misma factura y no compartir casi ningún nombre de campo. Cualquier análisis debe comenzar por leer lo que realmente significan las etiquetas que tiene delante.
Esquemas y validación
Un archivo de esquema independiente define las reglas. Microsoft describe esta asociación de forma directa. Los archivos de datos "contienen las etiquetas personalizadas y los datos estructurados". Los archivos de esquema "contienen etiquetas de esquema que aplican reglas, como el tipo de datos y la validación".
Los esquemas utilizan la extensión .xsd. El estándar también define archivos de transformación con la extensión .xslt, descritos como archivos "utilizados para aplicar estilos y transformar datos XML en diferentes formatos de presentación".
Para qué se utilizan estos archivos
Rara vez se elige este formato por voluntad propia. Suele llegar desde un sistema que lleva años en funcionamiento.
- Finanzas y banca. Los formatos de extractos y mensajes de pago suelen estar etiquetados en lugar de delimitados.
- Facturación electrónica. Muchos mandatos nacionales de facturación electrónica especifican un documento etiquetado como el artefacto legal.
- Exportaciones de ERP y RR. HH. Los sistemas empresariales antiguos suelen exportar en este formato de forma predeterminada.
- Feeds de productos y contenidos. Los feeds de catálogos de tiendas y los formatos de sindicación se basan en etiquetas.
- Documentos de configuración y de Office. Los formatos de archivo modernos de Office son colecciones comprimidas de partes etiquetadas.
El patrón en los cinco casos es el mismo. El archivo es un artefacto de intercambio producido para otra máquina, no un archivo de trabajo producido para un analista.
Comparación con los formatos planos
| Archivos etiquetados (.xml) | CSV | Parquet | |
|---|---|---|---|
| Estructura | Anidada, muchos niveles | Filas y columnas planas | Plana, orientada a columnas |
| Nombres de campo | Integrados con cada valor | Solo en la fila de encabezado | Almacenados en los metadatos del archivo |
| Validación | Un archivo de esquema opcional aplica los tipos | Ninguna integrada | Tipos definidos en el esquema |
| Legible en un editor de texto | Sí, aunque extenso | Sí | No |
| Tamaño típico para los mismos datos | El más grande | Intermedio | El más pequeño |
| Origen habitual | Sistemas empresariales y estándares de intercambio | Exportaciones e informes | Plataformas de datos |
Si trabaja con estos formatos con regularidad, nuestras guías complementarias sobre archivos TSV y archivos Parquet cubren la parte plana de esa tabla.
Cómo maneja Excel el formato
Aquí es donde la mayoría de los analistas se encuentran con el formato, y la documentación oficial es inusualmente clara sobre lo que sucede.
La ruta de importación no está en la cinta de opciones principal. La instrucción de importación de Microsoft es "Haga clic en Programador > Importar". La página también dirige a los lectores a los pasos para mostrar esa pestaña, ya que está oculta de forma predeterminada.
El flujo de trabajo básico consta, en palabras de Microsoft, de "cinco fases". Se agrega un archivo de esquema a un libro de trabajo y luego se asignan sus elementos a celdas o tablas. Se importa el archivo de datos y se vinculan los elementos a esas celdas asignadas. A partir de ahí, se trabaja en Excel y se vuelven a exportar los datos revisados.
Dos comportamientos son más importantes que el resto.
Excel deducirá un esquema si no proporciona uno. Si importa sin agregar primero un esquema, "Excel intentará inferir un esquema para usted". Esa deducción se basa "en las etiquetas definidas en el archivo de datos XML".
Luego, esa deducción se almacena con el libro de trabajo. La página también señala que "no se puede exportar el esquema inferido por Excel como un archivo de datos de esquema XML independiente (.xsd)".
El anidamiento se aplana al importar. Microsoft describe el resultado de una apertura de solo lectura. Se trata de "una tabla bidimensional con filas y columnas que muestra las etiquetas XML como encabezados de columna". El elemento raíz se "utiliza como un título".
Ese aplanamiento es exactamente lo que se busca para el análisis y, al mismo tiempo, el punto exacto donde se pierde el significado. Una jerarquía de tres niveles se convierte en columnas, y la relación entre padre e hijo sobrevive únicamente en la forma en que se nombraron las etiquetas.
Ventajas clave
Los datos se explican por sí mismos. Los nombres de los campos viajan con los valores, por lo que un archivo separado de su documentación sigue siendo interpretable.
La validación es parte del ecosistema. Un esquema puede exigir tipos de datos y campos obligatorios antes de que los datos lleguen a usted, algo que ninguna exportación delimitada simple hace.
Traspasa los límites organizacionales. Como señala la descripción general oficial, el formato "sigue las directrices estándar de la industria y puede ser procesado por una variedad de bases de datos y aplicaciones".
Se preserva la jerarquía. Una factura con doce artículos de línea sigue siendo una sola factura, en lugar de doce filas que repiten los valores del encabezado.
Límites que vale la pena conocer
Verbosidad. Repetir los nombres de las etiquetas alrededor de cada valor hace que los archivos sean grandes en comparación con los mismos datos en un formato plano.
Los nombres de las etiquetas no están estandarizados entre proveedores. Las etiquetas personalizadas son una característica del formato, y el costo es que cada nueva fuente requiere interpretación.
Las hojas de cálculo necesitan que la jerarquía se aplane. Cualquier tabla dinámica, gráfico o fórmula espera un rectángulo, por lo que la estructura debe cambiar antes de comenzar el análisis.
La importación puede fallar en la validación. Microsoft señala que "Excel muestra el cuadro de diálogo Error de importación de XML cuando no puede validar los datos de acuerdo con el mapa XML". Eso lo obliga a regresar al esquema antes de poder comenzar.
Obtener una respuesta sin luchar contra la estructura
La pregunta práctica rara vez es "¿cómo abro este archivo?". Es "¿cómo obtengo un gráfico a partir de él para esta tarde?".
La ruta que funciona es la que Excel ya sugiere. Aplane la jerarquía en un rectángulo, decida qué nivel de la jerarquía representa una fila y analice a partir de ahí.
Powerdrill Bloom admite la carga de archivos de Excel, CSV, PDF y documentos, por lo que un archivo de origen etiquetado debe convertirse primero a CSV o a un libro de trabajo. La propia apertura de solo lectura de Excel produce exactamente ese rectángulo, al igual que cualquier paso de conversión en sus herramientas de datos.
Una vez que los datos están planos, el análisis es sencillo. La página del asistente de IA para CSV describe ese camino. La página de precios resume el resultado: haga preguntas sobre sus datos y "obtenga una respuesta fundamentada con gráficos, tablas y exportaciones". Si desea el gráfico específicamente, nuestra guía paso a paso sobre cómo convertir un archivo CSV en un gráfico lo cubre de principio a fin.
Una decisión merece especial atención antes de realizar la conversión. Elija el nivel de detalle de la fila de forma deliberada. Una fila por artículo de línea y una fila por factura responden a preguntas diferentes.
Conclusión
El formato es extenso, autodescriptivo y jerárquico, y esas tres propiedades explican todo lo demás sobre cómo trabajar con él. Es excelente para mover datos entre organizaciones y complicado para analizar datos dentro de una sola.
Trate la conversión como una decisión en lugar de una tarea rutinaria. Elija el nivel que se convertirá en fila y mantenga los nombres de las etiquetas como encabezados de columna. Después de eso, el trabajo es el mismo que el de cualquier análisis de hoja de cálculo.
¿Tiene uno de estos archivos en una carpeta ahora mismo? Pruebe Powerdrill Bloom con la exportación aplanada y vea el gráfico antes de invertir en un flujo de trabajo.
Preguntas frecuentes
¿Para qué se utiliza un archivo XML?
Se utiliza para mover datos estructurados entre sistemas y organizaciones. Las fuentes comunes incluyen mensajes bancarios, facturas electrónicas, exportaciones de ERP y RR. HH., feeds de productos minoristas y las partes internas de los documentos de Office.
¿Cuál es la diferencia entre XML y CSV?
Uno es jerárquico y lleva los nombres de los campos integrados con cada valor. El otro es plano y depende de una sola fila de encabezado. El formato etiquetado también se puede validar frente a un archivo de esquema, algo que una exportación delimitada no permite.
¿Cómo abro un archivo XML en Excel?
La ruta documentada de Microsoft es Programador > Importar, y la pestaña Programador está oculta de forma predeterminada. También puede abrir el archivo como solo lectura, lo que produce una tabla bidimensional utilizando las etiquetas como encabezados de columna.
¿Necesito un archivo de esquema para usar los datos?
No. La documentación de Microsoft indica que Excel intenta inferir un esquema a partir de las etiquetas cuando no se proporciona ninguno. El esquema inferido se conserva con el libro de trabajo y no se puede exportar como un archivo .xsd independiente.
¿Qué es XSLT?
Microsoft lo describe como un estándar de transformación definido junto con el formato de datos. Utiliza archivos .xslt "para aplicar estilos y transformar datos XML en diferentes formatos de presentación".