Aké je použitie "kódovania" v hlavičke XML? - xml, záhlavie, kódovanie znakov

Pri pohľade na hlavičku XML

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

Mám právo uviesť, že encoding atribút je

• príliš neskoro (nemôžete to správne prečítať, pokiaľ nepoznáte kódovanie ...)
• redundantný, a preto je náchylný na chyby: je to príliš jednoduché nahradiť ho "Big5", ale uložte súbor do súboru utf-8

Alebo tento atribút nie je o obsah prúdu?

Rozmýšľam tu veci?

odpovede:

Ako ste spomenuli, mali by ste vedieť kódovanie súboru na čítanie encoding atribút.

Existuje však heuristika, ktorá vám môže ľahko dostať blízko k "skutočnému" kódovaniu, ktoré vám umožní čítať atribút kódovania. To funguje, pretože <?xml časť podľa definície môže obsahovať iba znaky v rozsahu ASCII (akokoľvek sú zakódované).

Norma XML dokonca opisuje presný proces, ktorý sa používa na zistenie kódovania.

A kódovanie štítku nie je redundantné.Napríklad, ak používate algoritmus v XML spec zistiť, že niektoré ASCII (alebo ASCII-kompatibilné) kódovanie sa používa stále potrebujete čítať kódovanie, aby ste zistili, ktorý z nich skutočne používa (platnými kandidátmi by boli ASCII, utf-8, ktorýkoľvek z ISO-8859- * kódovanie, niektoré z Windows- * kódovanie, KOI8-R a mnoho, mnoho ďalších). Pre <?xml časť sama o sebe nebude mať rozdiel, ktorý z nich je, ale pre zvyšok dokumentu môže mať obrovský rozdiel.

Pokiaľ ide o nesprávne označené súbory XML: áno, je ľahké ich vyrobiť, Avšak: Špecifikácia XML jasne špecifikuje, že tieto súborysú malformované a ako také nie sú správne XML. Nesprávne kódovanie sa musí nahlásiť ako chyba (pokiaľ je možné ju zistiť!). Takže je to problém toho, kto vytvára XML.

Ste úplne pravda, že to vyzerá zvláštnedizajnu. Funguje to len preto, že deklarácia XML používa iba znaky ASCII a takmer všetky kódovania sú nadradené ASCII. Ak ste pripravení prijať niečo, čo nie je, napríklad EBCDIC, môžete skontrolovať, či súbor začína bez ohľadu na EBCDIC reprezentáciu "<?xml" je. To znamená, že sa spoliehate na všeobecnú úroveň redundancie v hlavičke súboru, a nie na samotný atribút kódovania. Rovnako ako veľa vecí v XML, je to pragmatické a funguje, ale nie je obzvlášť elegantné.

Parsery XML sa vyžadujú iba na podporuutf-8 a UTF-16. Syntaktický analyzátor XML začína skúšaním kódovania podľa bajtovej značky (BOM), ak je prítomná (pre UTF-16, UTF-32 a dokonca aj utf-8 s figurínou dummy). Ak sa nenájde, potom analyzátor skúša kódovanie UTF-32, UTF-16, utf-8, ASCII a iné kódovanie ASCII kompatibilné s jedným bajtom. Len potom uvidí atribút kódovania a v prípade potreby reštartuje analýzu.

Myslím, že v zásade by ste mohli mať na mysli to, že encoding vyhlásenie je "neskoro" v súbore, avšak celý prvý riadok používa iba základné znaky. AFAIK, tie sú rovnaké v takmer všetkých kódovaniach, takže čokoľvek ju dekódujete, bude to "čítať <?xml ... ?> tak ako tak.

Čokoľvek príde neskôr že mohlo by to mať vplyv. Napríklad text v sekcii CDATA môže byť zakódovaný v cyrilikovom kódovaní.