一个有效的XML文件是否需要XML声明？

Question

我正在使用Xerces的Sax解析器解析一个XML文件。 XML声明<?xml version="1.0" encoding="UTF-8"?>是否是必需的？

- eros

---

有效和格式良好的文件是有区别的。你指的是哪一个？ - Felix Kling

我收到了Prolog错误/无效的UTF-8编码。然后我发现XML文件中有BOM，用户使用记事本打开了该文件（我无法避免这种情况）。我不确定我是否在引用有效或格式良好的文档。只需要避免错误，因此我正在创建一个函数，删除“<”之前的所有字节。我需要确保XML头声明是必需的。你们认为呢？ - eros

有没有一个Java类可以从InputStream中删除BOM或XML文件中的几个字节？我在考虑使用FilterInputStream和PushbackInputStream中的skip方法，但不知道如何使用它。 - eros

@eros: “我不确定我是否在引用有效或格式良好的文档。”请参阅格式良好与有效的XML以获得有关差异的简明解释。 - kjhughes

Answer 1

在XML 1.0中，XML声明是可选的。请参见XML 1.0推荐文档的2.8节，其中表示应该使用它-这意味着它是建议性的，但不是强制性的。然而，在XML 1.1中，声明是强制性的。请参见XML 1.1推荐文档的2.8节，其中表示必须使用它。它还进一步说明，如果缺少声明，则自动意味着该文档为XML 1.0文档。

请注意，在XML声明中，encoding和standalone都是可选的。只有version是必需的。此外，它们不是属性，因此，如果它们存在，则必须按照以下顺序排列：version，后跟任何encoding，后跟任何standalone。

<?xml version="1.0"?>
<?xml version="1.0" encoding="UTF-8"?>
<?xml version="1.0" standalone="yes"?>
<?xml version="1.0" encoding="UTF-16" standalone="yes"?>

如果您不以这种方式指定编码，XML解析器将尝试猜测使用的编码方式。 XML 1.0建议书描述了一种可能的字符编码自动检测方法。实际上，如果输入以UTF-8、UTF-16或US-ASCII编码，这并不是什么大问题。当遇到使用US-ASCII范围之外的字符（例如ISO 8859-1）的8位编码时，自动检测就无法正常工作 - 如果可以避免创建这些编码，则应该避免。 standalone表示XML文档在没有DTD的情况下能否被正确处理。人们很少使用它。现在，设计一个XML格式，缺少其DTD中的信息是不好的。

更新：

“prolog error / invalid utf-8 encoding”错误表示解析器在文件内找到的实际数据与XML声明中指定的编码不匹配。或者在某些情况下，文件内的数据与自动检测到的编码不匹配。

由于您的文件包含字节顺序标记（BOM），因此应以UTF-16编码。我怀疑您的声明说<?xml version =“1.0”encoding =“ UTF-8”?>，这显然是不正确的，因为文件已被NotePad更改为UTF-16。简单的解决方案是删除encoding并仅写<?xml version =“1.0”？>。您也可以将其编辑为encoding =“UTF-16”，但对于原始文件（不在UTF-16中）或如果文件以某种方式被更改回UTF-8或其他编码，则这将是错误的。

不要费力去除BOM - 这不是问题的原因。使用NotePad或WordPad编辑XML才是真正的问题！

- Hoylen

---

我的问题得到了回答，但我的后续问题没有得到解答。我需要再创建一个问题吗？还是请在这里添加它。 - eros

BOM可能是问题的原因。一些较旧的XML解析器不接受UTF-8文档开头的BOM（它是为UTF-16设计的，只有在后来使用UTF-8时才变得可接受）。但如果您使用的是最新版本的Xerces，则不太可能会出现问题。 - Michael Kay

还要注意，在记事本的“另存为”对话框中，您可以选择要将XML保存为哪种编码方式。如果您想删除BOM，请选择“ASCII”进行保存（假设您没有使用任何Unicode字符）。对于低于127个字符的内容，ASCII和UTF-8是相同的。 - BrainSlugs83

Answer 2

XML声明是可选的，所以没有它你的XML也可以是格式良好的。但建议使用它，以免解析器对所使用的编码做出错误的假设。

- Aravind Yarram

---

我是唯一一个觉得很奇怪的人吗？你在XML解析器已经开始解码文档后才告诉它使用什么编码方式。我的意思是，如果它可以解析那个标签并理解它的含义，那么它已经找到了正确的编码方式。我想不出任何合法使用编码属性的情况。 - BrainSlugs83

在没有BOM的情况下，编码被指定为8位。因此，可以是ASCII、UTF-8或任何旧的8位国家编码中的一种。XML声明全部都是8位的低半部分，这在所有这些编码中都是相等的，并传达足够的信息以选择高半部分。虽然不是最好的设计，但仍然比像以前的文本文件中常见的在CP1241和CP866之间猜测要好。 - Eugene Ryabtsev

但是他们应该干净利落地说XML是UTF-8 - 故事结束。 - Lothar

Answer 3

只有在您没有使用默认值 version 和 encoding 时才需要此步骤（在该示例中您已经使用了这些默认值）。

- Quentin