HTML特殊文字エスケープの仕組みと変換方法

HTML特殊文字のエスケープとは、<、>、&、"、' の5文字を < や & のような文字エンティティコードに置き換える作業です。ブラウザがこれらの文字をタグや属性の区切り記号だと誤って解釈せず、画面に表示されるべきテキストとしてそのまま表示させるために行います。
ブログでHTMLコードの例をそのまま見せたい人も、反対にすでにエスケープされたコードを元の文字に戻したい人も、抱えている問題は同じです。この記事ではその両方を扱います。
まとめ ①
&<>"'の5文字は、HTMLパーサーがタグや属性の区切り記号として読み取るため、衝突が起きる文字です。 ② エスケープは、この5文字をそれぞれ&<>"'のコードに1:1で置き換えます。 ③ アンエスケープはその逆で、コードを元の文字に戻す作業です。コードの形が残っていないかどうかで結果を検証します。
コード例を載せるとタグが消えたり崩れたりする理由
ブログの記事や掲示板に <div class="box"> のようなHTMLコードをそのまま貼り付けると、その文字が画面に表示されずに空の箱だけが残ったり、レイアウトが崩れたりすることがあります。
原因は、ブラウザやエディタが貼り付けられたテキストをコード例ではなく実際のHTMLマークアップとして読み取ってしまうことです。<div> と書くと、パーサーは「ここからdiv要素が始まる」と解釈するのであって、「これはdivという4文字だ」とは受け取りません。
同じ問題は逆向きにも起こります。どこかからコピーしてきたテキストが <div> のようにすでにエスケープされた状態だと、画面にはコードではなく <div> という文字がそのまま表示されます。今度は元のタグに戻すアンエスケープの作業が必要になります。
ツールを使わず手作業で変換する方法:文字の対応表と順序
HTMLパーサーが特別に読み取る文字はちょうど5つです。それぞれの文字がなぜ問題になるのか、どのコードに変わるのかは次のとおりです。
| 元の文字 | パーサーが読み取る意味 | エスケープ後のコード |
|---|---|---|
&(アンパサンド) | 文字参照(エンティティ)の開始記号 | & |
<(小なり記号) | タグの開始記号 | < |
>(大なり記号) | タグの終了記号 | > |
"(ダブルクォーテーション) | 属性値を囲む区切り文字 | " |
'(シングルクォーテーション) | 属性値を囲む区切り文字 | ' |
置換の順序:& から先に変えるべき理由
この5つを手作業で置換するときは順序が重要です。& から変える必要があります。
もし < を先に < に変えてから & を & に変えると、たった今作られた < の & まで置換の対象になってしまい、&lt; という二重置換の結果になります。そのため、標準的な順序は & → < → > → " → ' です。
例で見る変換の流れ
たとえば <div class="box">A & B's</div> を手作業で変換するなら、まず & をすべて & に変え、次に < と > を < > に、最後にダブルクォーテーションとシングルクォーテーションを " ' に変えます。
結果は <div class="box">A & B's</div> になります。
アンエスケープと結果の検証
元に戻すアンエスケープは逆方向の作業です。エンティティコードを元の文字に1つずつ置き換えていきます。
結果の検証方法は簡単です。戻したテキストに < > & " ' のようなコードの形をした文字が1つも残っておらず、元からあった < > & " ' がそのまま復活しているかを目で照合すれば十分です。
1文字ずつ手作業で置換する代わりに、下のツールにテキストを入れると、同じ変換がリアルタイムで行われます。「HTML特殊文字エスケープ」で確認してみてください。
左右どちらかの入力欄に入力すると、反対側に変換結果がリアルタイムで表示されます。インストールもログインも不要で、無料で使えます。

よく混乱しやすいポイント
すでにエスケープされたテキストをもう一度エスケープすると、コードが重なります。 たとえば <div> のようにすでに変換済みのテキストを元の入力欄に入れると、その中の & がもう一度置換されて &lt;div&gt; になります。
これから入力するテキストが元のテキストなのか、すでに変換されたコードなのかを最初に確認するのが、まず見るべきポイントです。
シングルクォーテーションは2種類のコードで表されることがあります。 エスケープするときは数値コードの ' が作られます。反対に戻すときは、' だけでなく名前コードの ' もシングルクォーテーションとして認識されます。
| 区分 | ' | ' |
|---|---|---|
| エスケープの結果として生成される | はい | いいえ |
| アンエスケープ時にシングルクォーテーションとして認識される | はい | はい |
HTMLエンティティとURLエンコードは別の仕組みです。 < をHTMLエンティティにすると < ですが、URLエンコードにすると %3C です。使われる場所(文書本文かURL文字列か)が異なる別々の変換ルールなので、互いに置き換えて使うことはできません。
まとめ
&<>"'の5文字だけがHTMLパーサーと衝突するため、エスケープの対象になります。それ以外の文字は変わりません。- 各文字は
&<>"'に1:1で置換されます。 - 手作業で置換するときは、
&を最初に変えることで二重置換を避けられます。 - 戻した結果を検証するときは、コードの形をした文字が残っていないかを確認します。
- 元に戻すときは、
'だけでなく'もシングルクォーテーションとして認識されます。
左右どちらかの入力欄に入力すると、反対側に変換結果がリアルタイムで表示されます。インストールもログインも不要で、無料で使えます。
よくある質問
& を最初に置き換えるのはなぜですか?
< や " など他の文字を先に置き換えると、その結果として新しく生まれた < " の中の & まで置換の対象になります。すると &lt; のようにコードが重なった二重置換の結果になってしまいます。& を最初に変えればこの問題は起こりません。
' と ' は同じものですか?
どちらもシングルクォーテーション(')を表すコードです。エスケープすると数値コードの ' が作られます。' は名前コードで、エスケープの結果として直接生成されることはありませんが、元に戻す処理では ' と同じようにシングルクォーテーションとして認識されます。
エスケープとURLエンコードは同じ方式ですか?
いいえ、違います。HTMLエスケープは < を < のような文字エンティティコードに変え、URLエンコードは同じ文字を %3C のようなパーセントコードに変えます。2つの仕組みは使われる場所が異なり、変換ルールも互いに互換性がありません。
元に戻すと元のテキストと完全に同じになりますか?
エスケープで置き換えられた5文字(& < > " ')については、正確に元の文字へ戻ります。
ただしこの変換は、この5文字に関するエンティティコードだけを扱います。元のテキストにもともと別の種類のエンティティ(例:空白を表すコード)が混ざっていた場合、その部分はこの変換の対象外です。
この記事は韓国語の原文をもとに作成しています。 韓国語の原文を読む