XML とは？

XMLはSGMLを制限した形式として設計された、文書やデータの構造を表す言語だよ。タグがある見た目は似ているけれど、XMLでは用途に合わせた要素名を定義する。図のbookの中にはtitleとpriceがあり、本の情報を階層で表しているんだ。

名前を決められても、構文の規則は守るよ。ルート要素は1つで、開始タグと終了タグを対応させ、要素を正しく入れ子にする。内容のない要素は<item />のように書けるし、属性値は引用符で囲む。名前や構造の規則を取り決めれば、受け手も内容を扱いやすくなるね。

たとえばMavenのpom.xmlは、プロジェクトの依存関係やビルド設定を記述するXMLファイルだよ。文書の構造やデータ交換にも使える。名前空間を使うと、異なる用途で定義した同名の要素や属性を区別できるんだ。

XMLパーサーを使うよ。PythonのElementTreeなら、ルートや子要素、属性、文字列を木として扱える。DOMやSAXだけが選択肢ではなく、段階的に読むiterparseなどもある。ただし逐次読み込みでも木を保持することがあるので、大きな文書ではメモリの扱いも確認しよう。

パーサーが外部エンティティを解決すると、入力を通じてファイル参照や外部へのアクセスが起こるXXEの問題があるよ。不要なDTDや外部エンティティの読み込みを無効にするなど、使うパーサーに合った設定を確認しよう。既定値や対策は実装ごとに異なり、XXE対策だけで全リスクをなくせるわけではないんだ。