XML 编码

XML 字符编码

XML 文档是基于文本的，可以包含来自世界各地的各种语言字符（例如，英语、法语 éàç、日语 かな、俄语 Язык）。

为了确保这些字符能够正确存储、传输和解释，指定字符编码至关重要。

什么是字符编码？

字符编码（或字符集 charset）定义了字符（如 ‘A’、’€’、‘猫’）与用于在计算机内存和文件中表示它们的字节序列之间的映射关系。

如果不知道正确的编码，软件可能会错误地解释字节，导致乱码 (mojibake) 或错误。

Unicode 和 UTF-8

Unicode 标准是通用的字符编码标准。它旨在为现代计算中使用的每个字符分配一个唯一的数字（称为码点 code point）。

UTF-8（Unicode 转换格式 - 8位）是实现 Unicode 的最常见方式，尤其是在 Web 上用于存储和传输数据。

UTF-8 的主要特性：

• 可变宽度：对基本拉丁字符（与 ASCII 兼容）使用 1 个字节，对其他字符最多使用 4 个字节。
• 通用性：可以表示 Unicode 标准中的任何字符。
• 广泛支持：它是 HTML5、JSON 的默认编码，并推荐用于 XML、JavaScript、Python 3 以及许多其他技术。
• 对于主要使用英文的文本来说很高效，同时仍支持所有语言。

也存在其他 Unicode 编码，如 UTF-16，但它们在 Web 和一般文件交换中的使用不如 UTF-8 普遍。

在 XML 中指定编码

推荐在 XML 声明（可选的第一行）中指定 XML 文档的编码：

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

这明确地告诉 XML 解析器如何解释文件中的字节。

XML 标准要求：

• 所有 XML 解析器都必须支持 UTF-8 和 UTF-16。
• 如果省略 encoding 属性，解析器通常会假定为 UTF-8（或尝试基于字节顺序标记 BOM 进行自动检测，但依赖声明更安全）。
• 虽然解析器可能支持其他编码（如 ISO-8859-1, Windows-1252），但使用 UTF-8 可以最大限度地提高兼容性。

潜在的编码问题

编码问题通常在以下情况出现：

• XML 文件以某种编码（例如 Windows-1252）保存，但声明却是另一种编码（例如 UTF-8）。
• 编码声明缺失，并且实际编码不是 UTF-8。
• 处理 XML 的软件（编辑器、服务器、浏览器、解析器）不遵循或未能正确处理指定的编码。
• 数据在具有不同默认编码的系统之间传输。

由此产生的问题包括字符显示不正确（例如 ‘ü’ 显示为 ‘ü’）或致命的解析错误。

最佳实践

为避免 XML 编码问题：

• 尽可能使用 UTF-8。 它是 Web 的事实标准，可以处理所有字符。
• 始终在 XML 声明中声明编码： <?xml version="1.0" encoding="UTF-8"?>。
• 确保你的编辑器使用声明的编码保存文件。 大多数现代编辑器都支持保存为 UTF-8。
• 验证传输或接收 XML 的系统是否正确处理编码。 适当配置服务器和应用程序。