不使用lxml的resolve_entities选项实现XML实体解析

RSPEC-2755是Sonar针对XML外部实体注入（XXE）风险的检测规则，直接开启resolve_entities=True会允许解析任意外部实体，确实存在安全隐患。你可以通过以下两种方案在不开启该配置的前提下完成实体解析：

方案1：自定义可信实体解析器 #

lxml支持自定义实体解析回调，你可以仅放行预设的可信实体，完全不需要开启全局的实体解析开关。
实现步骤：

• 保持XMLParser的resolve_entities为默认值False
• 继承lxml.etree.EntityResolver类，实现resolve方法，仅返回你允许解析的实体内容
• 将自定义解析器实例添加到parser的resolvers列表中
  代码示例：

from lxml import etree

# 自定义仅处理可信实体的解析器
class CustomEntityResolver(etree.EntityResolver):
    def resolve(self, system_id, public_id, context):
        # 示例：仅处理白名单内的实体定义
        if system_id == "trusted_entity.dtd":
            # 返回预设的合法实体定义内容
            return self.resolve_string('<!ENTITY custom_entity "预设的实体内容">', context)
        # 非白名单实体直接跳过解析
        return None

# 初始化parser，默认不开启resolve_entities
parser = etree.XMLParser()
# 注册自定义解析器
parser.resolvers.add(CustomEntityResolver())

# 解析XML文件
xml_tree = etree.parse("your_target.xml", parser=parser)

方案2：预替换内部实体 #

如果你的XML仅包含内部实体，没有外部实体引用，可以先做实体替换再解析：

• 读取XML原始文本，通过正则提取所有<!ENTITY 实体名 "实体值">格式的内部实体定义，存储为键值对映射表
• 遍历XML文本，把所有&实体名;格式的引用替换为映射表对应的实体值
• 用默认parser直接解析替换后的XML文本

注意：该方案仅适用于仅含内部实体的场景，不要用于处理未知来源的外部实体引用，避免引入注入风险。

安全提示 #

无论使用哪种方案，都要严格限制可解析的实体范围，不要开放任意实体的解析权限，避免触发XXE安全漏洞。如果需要处理外部实体，必须对资源来源做白名单校验，仅加载可信域名下的资源。

内容的提问来源于stack exchange，提问作者Ankit Varshney