java - XML 编码声明和字节顺序

Question

我正在整理我的一些非常旧的 Java 代码，这些代码是在 XML 解析包含在 JDK 库中之前编写的 XML 规范的第一版，并试图更新它并编写一些测试。特别是我正在(重新)实现 XML character encoding autodetection像这样:

1. 我阅读了 BOM(如果有的话)。
2. 如果没有 BOM，我会根据预期的 <?xml“推算”一个 BOM XML 声明的开始。
3. 我现在有足够的信息(每个字符的字节数、字节顺序等)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或深奥的编码

假设该文件具有 UTF-16LE 的实际 BOM。 XML 的值应该是多少 encoding属性？应该是encoding="UTF-16LE" ？但是 Unicode Byte Order Mark FAQ似乎表明，如果存在 UTF-16 系列 BOM，我应该将文本“标记为”仅仅是 UTF-16 .这是否意味着我应该使用 encoding="UTF-16"在我的 XML 文件中？但是我的解析器是否应该忽略 encoding值并使用它从 BOM 确定的更具体的字符集？我开始迷惑自己了。

W3C HTML BOM FAQ似乎表明标记文本是指“在 HTTP 中标记”，即外部字符集指定，大概在 HTTP Content-Encoding 中 header 。因此，拥有一个以 BOM 开头但包含 UTF-16LE 的 XML 声明的 XML 文件可能没问题。或 UTF-16BE .但是我还没有看到这样的 XML 文件。

如果我将 UTF-16LE BOM 与 XML 文件一起使用，1) 我应该在 encoding 中使用什么值属性，以及 2) 我的解析器应该自动检测什么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，little endian，不是 UTF-16LE。

请特别注意 Unicode BOM FAQ 中最后一个问题中的第 4 点。如果编码是 UTF-16BE 或 UTF-16LE，则不得使用 BOM。这些“编码方案”的正式定义也可以引用Unicode标准中的3.10。

因此，如果您找到 UTF-16 的 BOM，则编码是 UTF-16，而不是 UTF-16LE 或 UTF-16BE(两者都不允许有 BOM)。如果没有 BOM，则编码可能是这三种编码中的任何一种，但在这种情况下，UTF-16 基本上无法与 BE 和 LE 变体区分开来。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”。所以在XML的情况下，如果没有BOM，那么编码就不能是UTF-16(但有可能是UTF-16BE或UTF-16LE)。