XML编码声明和字节顺序

Question

我整理了一些我真正旧的Java代码，在XML解析包含在JDK库之前写入XML规范的第一版，并尝试将其更新并编写一些试验。特别是我（重新）实现了这样的XML character encoding autodetection：

1. 我读了BOM，如果有的话。
2. 如果没有BOM，我会＆＃34; impute＆＃34;基于XML声明的预期<?xml开始的BOM。
3. 我现在有足够的信息（每个字符的字节数，字节序等）来阅读encoding=声明，如果有的话，根据XML规范可能会告诉我一些更具体的或深奥的编码

所以，让我们说该文件有一个UTF-16LE的实际BOM。 XML encoding属性的值应该是多少？它应该是encoding="UTF-16LE"吗？但Unicode Byte Order Mark FAQ似乎表明，如果存在UTF-16系列物料清单，我应该＃34;标记文本＆＃34;仅仅UTF-16。这是否意味着我应该在我的XML文件中使用encoding="UTF-16"？但是，我的解析器应该忽略encoding值并使用它从BOM中确定的更具体的字符集吗？我开始迷惑自己。

W3C HTML BOM FAQ似乎表示标记文本是指在HTTP＆＃34;中标记的＆＃34;，即外部字符集标识，可能在HTTP Content-Encoding标头中。因此，或许可以使用包含UTF-16LE或UTF-16BE的XML声明的BOM开头的XML文件。但我还没有看到这样的XML文件。

如果我使用带有XML文件的UTF-16LE BOM，1）我应该在encoding属性中使用什么值，2）我的解析器应该自动检测哪个字符集作为文件的编码？

Answer 1

理解这一点的关键是要认识到UTF-16编码方案不同于UTF-16LE和UTF-16BE。 UTF-16，小端，不是UTF-16LE。

请特别注意Unicode BOM常见问题解答中的最后一个问题中的第4点。如果编码为UTF-16BE或UTF-16LE，则不得使用BOM。您也可以参考Unicode标准中的3.10来获得这些“编码方案”的正式定义。

因此，如果您找到UTF-16的BOM，则编码为UTF-16，而不是UTF-16LE或UTF-16BE（两者都不允许有BOM）。如果没有BOM，则编码可以是三者中的任何一种，但在这种情况下，UTF-16基本上与BE和LE变体无法区分。但是，请注意，XML 1.1的4.3.3说“以UTF-16编码的实体必须以UTF-8编码的实体可以以字节顺序标记开头”。因此，对于XML，如果没有BOM，则编码不能是UTF-16（但可能是UTF-16BE或UTF-16LE）。