Question

我知道the default encoding of XML is UTF-8。所有XML消费者都必须等等。因此，这不仅仅是XML是否具有默认编码的问题。

我也知道文档开头的the XML-Declarataion <?xml version="1.0" ... ?>是可选的。而指定其中的编码也是可选的。

所以我问自己，以下两个XML声明是否是完全相同的两个表达式：

<?xml version="1.0"?>
<?xml version="1.0" encoding="UTF-8"?>

根据我自己目前的理解，我会说这些是等效的，但我不知道。是否已在某处指定了这两个声明的等效性？

（考虑这两个示例行，每个行都是XML文档的第一行，前面是任意（零）字节，并且是UTF-8编码的）

Answer 1

简答

在没有外部编码信息的UTF-8编码文档的非常具体的情况下（我从评论中理解的是您感兴趣的内容），两个声明之间没有区别。

但答案很长很有趣。

规范的内容

如果查看Appendix F1 of the XML specification，则说明了在没有外部编码信息时确定编码时应遵循的过程。

如果文档被编码为UTF变体之一，则解析器应该能够检测前4个字节内的编码，可以是字节顺序标记，也可以是XML声明的开头。

但是，根据规范，它仍然应该读取编码声明。

在上述情况下，不需要读取编码声明来确定编码，4.3.3节仍然要求读取编码声明（如果存在），并检查编码名称以匹配实体的实际编码。

如果他们不匹配，根据section 4.3.3：

...对于包含编码声明的实体而言，这是一个致命的错误，该编码声明将以非声明中的编码方式呈现给XML处理器

编码的UTF-16，声明为UTF-8

让我们看看当我们创建一个编码为UTF-16但编码声明设置为UTF-8的XML文档时会发生什么。

Opera，Firefox和Chrome都将该文档解释为UTF-16，忽略了编码声明。 Internet Explorer（至少版本9）显示空白文档，但没有实际错误。

因此，如果您在UTF-8文档中包含UTF-8编码声明，并且稍后某人将其转换为UTF-16，则它将在大多数浏览器中工作，但在IE中失败（并且，我假设，大多数Microsoft XML API）。如果您关闭了编码声明，那就没问题了。

从技术上讲，我认为IE是最准确的。它没有显示错误的事实可能是由于错误发生在编码级而不是XML级的事实。假设它正在尽力将UTF-16字符解释为UTF-8，未能找到任何解码的字符，并最终将空字符序列传递给XML解析器。

编码的UTF-8，否则声明为

您现在可能认为Firefox，Chrome和Opera完全忽略了编码声明，但情况并非如此。

如果您将文档编码为UTF-8（带有字节顺序标记，因此它可以像其他任何内容一样明确），但将编码声明设置为Latin1，则所有浏览器都会成功将内容解码为Latin1，忽略UTF-8 BOM。

这对我来说似乎也是对的。 BOM字符在Latin1中无效的事实只是意味着它们在字符解码级别被静默删除。

但这并不适用于UTF-8文档中所有已声明的编码。如果声明的编码是UTF-16，我们将重新使用Opera，Firefox和Chrome忽略声明的编码，而Internet Explorer会返回空白文档。

基本上，任何使IE返回空白文档的行为都会使其他浏览器忽略声明的编码。

其他不一致

还值得一提的是字节顺序标记的重要性。根据{{3}}：

以UTF-16编码的实体必须以字节顺序标记
开头

但是，如果您尝试在没有BOM的情况下读取UTF-16编码的XML文档，大多数浏览器仍会接受它为有效。只有Firefox将其报告为XML解析错误。

外部编码信息

到目前为止，我们一直在考虑在没有外部编码信息时会发生什么，但正如其他人所提到的那样，如果文档是通过HTTP接收的，或者是封装在某种类型的MIME信封中，那么编码来自这些来源的信息应优先于文件编码。

section 4.3.3 of the spec中描述了各种XML MIME类型的大部分细节。然而，现实与指定的有些不同。

首先，带有省略的charset参数的text / xml应该使用US-ASCII的字符集，但几乎总是忽略该要求。浏览器通常使用XML编码声明的值，如果没有，则默认为UTF-8。

其次，如果文档上有UTF-8 BOM，并且XML编码声明是UTF-8或不包括在内，则文档将被解释为UTF-8，而不管内容中使用的字符集是什么类型。

唯一一次来自Content-Type的编码似乎优先是没有BOM并且在Content-Type中指定了显式字符集。

在任何情况下，都没有案例（涉及Content-Type），其中UTF-8文档上包含UTF-8 XML编码声明与根本没有编码声明有任何不同。

Answer 2

孤立地，两者都是等价的。您已经引用了规范的相关部分，这些部分表明两个声明都是等效的。

但是，XML可以有一个信封，例如HTTP Content-Type标头。 The W3C specifies此信封信息优先于文件中的任何其他声明。例如，如果您通过http检索XML，则可能会得到以下结果：

HTTP/1.1 200 OK
Content-Type: text/xml

<root/>

在这种情况下，XML应该被理解为 ascii ，因为text/* mime类型的默认字符集是ascii。这就是你应该使用application/xml mime类型的原因 - 这些默认为utf-8。 “application”前缀表示相关的应用程序规范定义了默认编码等内容。（即XML规范接管。）对于text/* mime类型，默认为ascii，并且必须在mime类型中包含charset参数才能更改字符集。

这是另一个案例：

HTTP/1.1 200 OK
Content-Type: text/xml; charset=win-1252

<?xml version="1.0" encoding="utf-8"?>
<root/>

在这种情况下，符合标准的XML处理器应将此文件读为win-1252，不是 utf-8。

另一个案例：

HTTP/1.1 200 OK
Content-Type: application/xml

<?xml version="1.0" encoding="win-1252"?>
<root/>

此处编码为win-1252。

HTTP/1.1 200 OK
Content-Type: application/xml; charset=ascii

<?xml version="1.0" encoding="win-1252"?>
<root/>

此处编码为ascii。

Answer 3

如果第二个声明到达已经被检测为具有非UTF-8兼容编码（例如UTF-16）的文档的开头，则拒绝第二个声明是不合理的。但是，鉴于您声明该文档采用UTF-8编码，how they would be treated之间没有区别。

外部指定的编码在两种情况下都优先;两份文件的处理方式仍然相同。

Answer 4

我阅读the spec的方式，UTF-8 不是 XML声明中的默认编码。它只是默认编码“对于既不以字节顺序标记也不以编码声明开头的实体”。如果文档是UTF-16并且有一个BOM，它可能有一个没有编码声明的XML声明或根本没有XML声明，但仍然是有效的XML。

仅对于没有BOM的文档，您提到的两个XML声明应该是等效的。

XML声明中的默认编码（UTF-8）的默认值如何？

4 个答案: