從XML檔案亂碼問題，探尋其背後的原理

如果本文圖片不能顯示，由於時間關係未能及時修正。請訪問原文地址：

本文出自http://blog.csdn.net/dinglang_2009/article/details/6895355，轉載請註明出處。

在日常開發工作中，我們經常會使用到XML，早已成為了一種標準。它的用途非常的廣泛，但這些不是本文所重點討論的。

相信大家在做開始時候經常碰到過“亂碼”的問題，這是中國程式員非常頭疼的問題。我一直很想深入研究關於“編碼”的原理，無奈水平有限，那些枯燥的理論（二進位，ASCII，Unicode，UTF-8，gb2312，ISO ...光這些就讓我看的兩眼發黑了），實在看不下去，也很難真正搞懂搞明白。望各位網友多指點......

我將用工作中遇到的一個“XML檔案亂碼”的簡單問題，解決問題，分析其背後的原理。

首先，我們在本地建立一個文字檔，將尾碼名改為".XML”， 然後用用記事本開啟，往裡面添加一些符合XML文檔規範的內容。：

 

寫好之後，按“ctrl+s”儲存，然後使用IE瀏覽器開啟該XML檔案，驗證該XML文檔的規範及正確性。不料，居然解析出錯了，如下：

 

這是咋回事呢？我的XML文檔定義的格式好像沒問題啊。無效字元？這肯定是典型的“編碼”問題了。聰明的我第一就想到了，調整IE瀏覽器的“編碼”嘛。

可是開啟“查看”“編碼”，發現那些編碼格式全是灰色的，好像不能選擇哦。這是因為，在定義XML文檔的時候，指定了編碼格式為"UTF-8"，這就相當於告訴了瀏覽器（XML解析引擎）：你必須使用"UTF-8"編碼去解析我，所以無法使用其他的編碼格式去查看了。

這是因為，我們在使用記事本儲存該文檔的時候，沒有選擇編碼格式，預設使用的是作業系統編碼（中文版的系統），也就是對應的"GB2312”編碼。當我們的IE瀏覽器，再使用我們指定的UTF-8編碼去解析該XML文檔的時候，出現了亂碼，所以造成了上面的錯誤。（Windows中的檔案儲存在硬碟上，預設使用作業系統編碼。比如我們XML文檔中定義的“中國”這兩個字，儲存好後，假如其對應的GB2312可能是"10001"，而在UTF-8編碼中的，“10001”對應的就不是“中國”了，要麼找不到，要麼是亂碼，所以IE就拒絕顯示了）。那我們應該怎麼辦呢？有兩種辦法可以解決。

第一，我們在xml文檔定義時，指定其編碼為gb2312，如所示：

 

儲存之後，我們再使用IE瀏覽器開啟，結果

 

恭喜，這個問題解決了。但是這種方法不推薦使用。因為我們在定義XML文檔時候，為了文檔的通用性，我們一般使用UTF-8編碼。

第二種方法：

我們再用記事本開啟該文檔，點擊“另存新檔”，發現下面會有“編碼”選項，選擇“UTF-8”之後再試。

 

其實，我們在使用諸如 Eclipse 或者Microsoft Visual Studio之類的開發工具來定義XML文檔，並不會碰到上面的問題。原因是這些IDE都非常“聰明”，你的XML文檔指定的是那種編碼格式，IDE在將XML文檔儲存到硬碟的時候，就自動使用那種格式。所以，很多局限於使用某種IDE開發的程式員，其實並不明白這些知識及其背後的原理，但他們做開發起來一樣很順手。早年據筆者瞭解，國內有很多大牛，寫代碼都是用EditPlus之類的文字編輯器，而那些在Linux/unix上面的大牛，很多都是用VI/VIM來編碼。大概這就是差距吧。