XML声明中的默认编码（UTF-8）有多默认？

Question

我知道XML的默认编码是UTF-8。所有的XML消费者都必须等等。因此，这不仅仅是一个关于XML是否有默认编码的问题。

我也知道XML声明<?xml version="1.0" ... ?>本身是可选的。在其中指定编码也是可选的。

所以我问自己以下两个XML声明是否表示完全相同的内容：

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

根据我的理解，这两个声明是等价的，但我不能确定。这两个声明等价性已经在某个地方被指定了吗？

(将这两个示例行视为XML文档的第一行，前面有任何（零）字节，并以UTF-8编码)

- hakre

---

幸运的是，UTF-8本身就是默认编码。当读取一个XML文档并将其写入另一种编码时，大多数情况下这个属性也会被修补。完全没有问题，我无法想象为什么经常看到编码属性。但版本很重要；更高的版本允许标签名像<café>这样。 - Joop Eggen

我问这个问题并不是因为我在字符编码方面有问题。我只是想知道它们看起来是否相同，是否有特定规定。这样就可以测试我的软件是否符合标准。 - hakre

Answer 1

简短回答

在特定情况下，即UTF-8编码的文档没有外部编码信息（据评论所述，这是你感兴趣的内容），两个声明之间没有区别。

不过，长答案更有趣。

规范说明

如果查看XML规范的附录F1，就可以了解确定没有外部编码信息时应遵循的处理过程。

如果文档编码为UTF变体之一，解析器应该能够在前4个字节内检测到编码，无论是从字节顺序标记还是XML声明开始。

但是，根据规范，它仍应读取编码声明。

在不需要读取编码声明以确定编码的情况下，仍然需要按照第4.3.3节的要求读取编码声明（如果存在）并检查编码名称是否与实体的实际编码匹配。

如果它们不匹配，根据第4.3.3节的规定：

“...对于在声明中命名的编码之外的编码呈现给XML处理器的实体（包括编码声明），是致命错误。” 编码为UTF-16，声明为UTF-8 让我们看看当我们创建一个以UTF-16编码但编码声明设置为UTF-8的XML文档时，在现实中会发生什么。

Opera，Firefox和Chrome都将文档解释为UTF-16，忽略编码声明。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文档上包含了UTF-8编码声明，并且后来有人将其转换为UTF-16，它将在大多数浏览器中工作，但在IE（以及我假设的大多数Microsoft XML API）中失败。如果您没有包含编码声明，那么您将没有问题。

从技术上讲，我认为IE是最准确的。它没有显示错误可能是因为错误发生在编码层而不是XML层。它假定尽力将UTF-16字符解释为UTF-8，无法找到任何可解码的字符，并最终向XML解析器传递一个空字符序列。

以其他方式声明编码的UTF-8

你现在可能认为Firefox、Chrome和Opera完全忽略了编码声明，但并非总是如此。

如果将文档编码为UTF-8（带有字节顺序标记，因此不会被误认为是其他格式），但将编码声明设置为Latin1，则所有浏览器都将成功将内容解码为Latin1，忽略UTF-8 BOM。

对我来说，这似乎是正确的。BOM字符在Latin1中无效，这意味着它们在字符解码级别上被静默丢弃。

但是，这并不适用于UTF-8文档上的所有声明编码。如果声明的编码为UTF-16，则Opera、Firefox和Chrome将忽略已声明的编码，而Internet Explorer将返回一个空文档。

基本上，任何导致IE返回空白文档的因素都会使其他浏览器忽略已声明的编码。

其他不一致之处也值得一提。根据规范第4.3.3节的规定：

实体编码为UTF-16必须以字节顺序标记开头。

然而，如果您尝试读取一个没有BOM的UTF-16编码的XML文档，大多数浏览器仍然会将其视为有效。只有Firefox会报告它为XML解析错误。

到目前为止，我们一直在考虑没有外部编码信息时会发生什么，但正如其他人所提到的，如果文档通过HTTP接收或包含在某种MIME信封中，这些来源的编码信息应优先于文档编码。

各种XML MIME类型的大部分细节都在RFC3023中描述。然而，现实情况与规定有所不同。

首先，省略字符集参数的text/xml应使用US-ASCII字符集，但这一要求几乎总是被忽略。浏览器通常会使用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编码声明为UTF-8或未包含，则无论Content-Type中使用的字符集如何，文档都将被解释为UTF-8。

唯一情况下Content-Type中的编码似乎具有优先权是当没有BOM并且在Content-Type中指定了显式字符集时。

无论如何，在任何涉及Content-Type的情况下，将UTF-8 XML编码声明包含在UTF-8文档中与不包含编码声明没有任何区别。

- James Holderness

---

规范在第4.3.3节确实说明了如果编码不匹配应该发生什么：“在没有外部传输协议（例如HTTP或MIME）提供的信息的情况下，对于以声明的编码以外的编码呈现给XML处理器的实体来说，这是一个致命错误[...]”后来又说：“如果确定XML实体（通过默认值、编码声明或更高级别的协议）处于某种编码中，但包含在该编码中不合法的字节序列，则这是一个致命错误。” - nwellnhof

Answer 2

< p >就本身而言，两者是等效的。您已经引用了规范的相关部分，表明这两个声明是等效的。

然而，XML可以有一个信封，例如HTTP Content-Type头。 W3C规定，该信封信息优先于文件中的任何其他声明。因此，例如，如果您通过http检索XML，则可能会获得以下内容：

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

<root/>

在这种情况下，应该将XML作为ascii读取，因为text/* MIME类型的默认字符集是ascii。这就是为什么你应该使用application/xml MIME类型 - 这些类型默认为utf-8。 "application"前缀意味着相关的应用程序规范定义了像默认编码这样的事情。（即XML规范接管了）。对于text/* MIME类型，默认值为ascii，必须在MIME类型中包含charset参数以更改字符集。

还有另一种情况：

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处理器应该将此文件读取为win-1252，而不是utf-8。

另一种情况：

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

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

这里使用的编码是 win-1252。

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

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

这里的编码是ascii。

- Francis Avila

---

换句话说，一旦您拥有了DOM，原始文档的编码就不重要了。encoding是声明中指定的内容（例如standalone或version），而actualEncoding是解析器解析它的方式，但所有字符串都已从文档编码转换为本地字符串。 - Francis Avila

我不确定你的意思。正如我所说，有两个不同的DOM属性。一个是来自处理指令的数据，另一个是来自解析器的数据。如果XML文档中没有写入encoding="...."，那么DOMDocument.encoding就没有值，但是DOMDocument.actualEncoding将具有解析器用于解析文档的编码。这就是这里发生的一切。请记住，XML规范并不以DOM为中心，因此在比较文档时，您不应该过分关注确切的DOM相等性。 - Francis Avila

是的，但是DOM选择区分"xml声明中的encoding参数"和"解析器使用的encoding"，因为正如您所看到的，它们可能是不同的。 XML信息集（与DOM相比）不包含xml声明中的encoding参数，只包含“解析器使用的”信息。 但是，如果没有xml声明，两者都可以没有值的standalone和version`。我不确定为什么这对您来说如此惊人！ - Francis Avila

这不是XML解析问题（XML已经被解析了），而是你特定的DOM库的低俗行为。再次强调，xmlEncoding不是标准。 - Francis Avila

你是正确的，应该是xmlEncoding和inputEncoding。不确定我之前看到的是encoding和actualEncoding。在信息集映射中可以看到，xmlEncoding/ encoding = '...'不是XML信息集的一部分。 - Francis Avila

Answer 3

如果第二个声明出现在已经被识别为非UTF-8兼容编码（比如UTF-16）的文档的开头，那么拒绝该声明并不是不合理的。然而，鉴于您声明该文档是UTF-8编码的，它们的处理方式没有任何区别。

无论哪种情况，外部指定的编码都优先处理；两个文档仍将被视为相同。

- Joe

---

感谢您抽出时间回答，但我这里有两个问题：首先，您链接的部分并不是规范性的。其次 - 更重要的是 - 您写了关于输入字符串的字符编码和猜测的内容。我的问题不是关于那个的，而是关于XML编码，即声明的编码方式。以及缺少声明是否真的算作缺少声明。 - hakre

你的问题的答案是肯定的，它们是相同的。我正在写关于检测编码的更多细节，为一个非常类似的情况提供更多信息，尽管它比你所问的更一般。我认为4.3.3规范中的“如果一个包含编码声明的实体以声明中未命名的编码呈现给XML处理器，或者一个既不以字节顺序标记开头也不包含编码声明的实体使用除UTF-8之外的编码，则这是一个致命错误”证实了这一点。 - Joe

Answer 4

我阅读规范的方式是，在XML声明中，UTF-8不是默认编码。它仅是“对于不以字节顺序标记或编码声明开头的实体而言的默认编码”。如果文档是UTF-16并且带有BOM，则可能具有没有编码声明或根本没有XML声明的XML声明，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。

- nwellnhof

---

这就是为什么你在问题的结尾会发现：“（考虑这两行示例分别是XML文档的第一行，前面有任何（零）字节，并且采用UTF-8编码）” :) - hakre

没问题，这种事情很常见。 - hakre