【ITニュース解説】You can't parse XML with regex. Let's do it anyways

XML（Extensible Markup Language）は、データを構造化して表現するためのマークアップ言語だ。HTMLに似ているが、HTMLがウェブページの見た目を定義するのに対し、XMLはデータの意味や構造を定義する点に大きな違いがある。たとえば、顧客情報や製品情報など、さまざまな種類のデータを整理し、アプリケーション間で交換する際にXMLが利用されることが多い。XMLデータは「タグ」を使って情報に意味を付け、階層的に整理される。例えば、<customer>というタグで顧客の情報を囲み、その中に<name>や<email>といったタグでさらに詳細な情報を入れることができる。このように、データがツリー（木）のような入れ子構造になるのがXMLの大きな特徴である。

正規表現は、特定のパターンを持つ文字列を検索したり、置き換えたりするための強力なツールだ。例えば、電話番号の形式やメールアドレスのパターンなど、決まった形の文字列を探し出す際に非常に役立つ。非常に簡潔な記述で複雑な文字列パターンを表現できるため、プログラム開発においてテキスト処理の場面で頻繁に利用される。例えば、「[0-9]{3}-[0-9]{4}」という正規表現は「数字3桁-数字4桁」というパターンにマッチする。しかし、正規表現は基本的に一方向（線形）の文字列を対象としており、文字の並び順や繰り返し、特定の文字の存在などを検出することに長けている。

記事のタイトルにある「正規表現でXMLをパースできない」という主張は、技術コミュニティにおける一般的な認識だ。XMLの「パース」（解析）とは、XMLデータの内容を読み込み、その構造や意味をプログラムが理解できる形に変換するプロセスを指す。正規表現がXMLのパースに適さない主な理由は、XMLが持つ複雑な階層構造にある。 XMLデータは、タグが入れ子になったり、属性を持ったり、コメントや特殊な文字（エンティティ）が含まれたりする。例えば、同じ名前のタグでも、親のタグが異なれば意味が変わることもある。正規表現は、特定の文字列パターンを見つけるのは得意だが、このような「階層的な関係性」や「深い入れ子構造」を正確に追跡し、理解することは非常に困難だ。 例えば、正規表現を使って開始タグと対応する終了タグを見つけようとした場合、その間に同じ種類のタグがさらに深く入れ子になっていたり、コメントアウトされたタグがあったりすると、正規表現は正しく対応するタグを識別できず、誤ったマッチングをしてしまう可能性が高まる。また、XMLには名前空間（異なるXML語彙を区別するための仕組み）やCDATAセクション（内部のテキストをマークアップとして解釈させない仕組み）といった、さらに複雑な仕様が存在する。これら全てを正規表現だけで網羅し、堅牢に処理しようとすると、正規表現自体が非常に複雑になりすぎ、メンテナンスも困難になる上に、結局は完璧な解析には至らない。

では、XMLを正しく解析するためには何を使うべきか。それには「XMLパーサー」と呼ばれる専用のツールを利用するのが一般的である。XMLパーサーは、XMLの全ての仕様（文法規則）を理解し、XMLデータが正しく記述されているか（整形式であるか）を検証しながら、その構造をプログラムが扱いやすいオブジェクトやイベントとして提供する。 主要なXMLパーサーには、DOM（Document Object Model）とSAX（Simple API for XML）の二種類がある。DOMパーサーは、XML文書全体をメモリ上にツリー構造として構築し、プログラムはそのツリーを辿って要素や属性にアクセスする。これは直感的で扱いやすいが、大きなXMLファイルではメモリを大量に消費する可能性がある。一方、SAXパーサーは、XML文書を最初から最後まで順に読み込み、開始タグや終了タグ、テキストデータなどを検出するたびにイベントを発生させる。プログラムはそのイベントを処理していく方式で、メモリ消費が少ないため、巨大なXMLファイルでも効率的に処理できる。どちらのパーサーも、XMLの複雑な構造を理解し、エラーハンドリングも含めて堅牢に動作するように設計されているため、正規表現を用いるよりもはるかに安全で信頼性が高い。

記事のタイトルが示唆するように、「正規表現でXMLをパースできない」と知りながらも「それでもやってみる」というケースが存在する。これは通常、非常に限定された状況でのみ起こりうる。例えば、処理したいXMLが極めて単純な構造で、特定のタグの特定の属性値だけを抽出したいといった場合だ。あるいは、一時的なスクリプトで、複雑なパーサーを導入する手間を省きたい、既存の正規表現処理ツールの中にXMLデータが混在している、といったごくまれなケースである。 しかし、これはあくまで「一時的」「限定的」な対応に過ぎない。たとえ当初は意図した通りに動作したとしても、XMLデータの構造が少しでも変化したり、予想外のパターンが現れたりすると、正規表現はすぐに破綻する。例えば、属性の順序が変わる、余計な空白文字が入る、あるいは新しいタグが追加されるといった些細な変更でも、正規表現は正しく動作しなくなる可能性がある。その都度正規表現を修正する必要があり、結果として保守が非常に困難になる。したがって、正規表現でXMLを解析しようとすることは、技術的には「アンチパターン」（避けるべき悪い設計や実装）と見なされる。

システムエンジニアを目指す上で、この話題は非常に重要な教訓を与えてくれる。それは、「目的に合った適切なツールを選ぶことの重要性」である。正規表現は強力なツールだが、それは特定の課題（文字列のパターンマッチング）に対して最大限の力を発揮する。XMLの解析のように、構造的な理解が必要な課題に対しては、XMLパーサーのような専門のツールが存在し、それらを使用することが、堅牢で保守しやすいシステムを構築するための最善策となる。 目の前の問題を解決するために、手っ取り早い方法や慣れている方法を選びたくなることもあるかもしれない。しかし、その選択が将来的なシステムの安定性やメンテナンス性にどのような影響を与えるかを深く考慮することが、プロフェッショナルなエンジニアにとって不可欠なスキルである。正規表現でXMLをパースしようとすることは、特定の目的には一時的に役立つかもしれないが、長期的に見れば多くの問題を引き起こす可能性が高い。技術的なベストプラクティスを理解し、それに従うことの重要性を認識することが、エンジニアとしての成長につながるだろう。