XML头中的'encoding'有什么用？

Question

查看XML标头

<?xml version="1.0" encoding="UTF-16" standalone="no"?>

我是否正确地声明encoding属性是

• 来得太晚了（除非您知道编码，否则无法正确阅读）。
• 冗余，因此容易出错：用“Big5”替换它然后用UTF-8保存文件太容易了

或者该属性不是关于流的内容吗？

我在这里混淆了什么吗？

Answer 1

正如您所提到的，您必须知道文件的编码才能阅读encoding属性。

但是，有一种启发式方法可以让您足够接近“真实”编码，以便您阅读编码属性。这是有效的，因为根据定义<?xml部分只能包含ASCII范围内的字符（但它们是编码的）。

XML标准甚至describes the exact process used to find out the encoding。

编码标签也不冗余。例如，如果您使用XML规范中的算法来找出使用某些基于ASCII（或ASCII兼容）的编码，那么仍然需要读取编码以找出实际的编码使用（有效候选者将是ASCII，UTF-8，任何ISO-8859-* encodings，任何Windows-*编码，KOI8-R以及许多其他人。对于<?xml部分本身而言它不会产生什么影响，但对于文档的其余部分，它可以产生巨大的差异。

关于错误标记的XML文件：是的，很容易生成这些文件，然而：XML规范明确规定这些文件格式错误，因此不是正确的XML。必须将不正确的编码报告为错误（只要可以检测到它们！）。所以这就是生成XML的人的问题。

Answer 2

你说它看起来像一个奇怪的设计是对的。它只能起作用，因为XML声明只使用ASCII字符，几乎所有编码都是ASCII的超集。如果你准备接受不是的东西，例如EBCDIC，你可以检查文件是否以"<?xml"的EBCDIC表示开头。这意味着您依赖于文件头中的一般冗余级别，而不是纯粹的编码属性本身。像XML中的许多东西一样，它实用且有效，但并不是特别优雅。

Answer 3

XML解析器只需要支持至少UTF-8和UTF-16。 XML解析器首先尝试基于字节顺序标记（BOM）的编码（如果存在）（对于带有虚拟BOM的UTF-16，UTF-32甚至UTF-8）。如果没有找到，则解析器将尝试UTF-32，UTF-16，UTF-8，ASCII和其他ASCII兼容的单字节编码。只有这样它才能看到编码属性，并在必要时重新开始解析。

Answer 4

我认为原则上你可能会指出encoding语句在文件中是'迟到'，但是，整个第一行只使用基本字符。 AFAIK，几乎所有编码都是相同的，所以无论你解码它，它都会读<?xml ... ?>。

无论之后发生什么，都很重要。例如，CDATA部分中的文本可以用西里尔语编码进行编码。