由一道面试题引起的疑问与思考

由一道面试题引起的疑问与思考

前两天去一家公司面试，里面有一道XML的题目，题目没什么难的，但由于编码问题引发了一些问 题，我回来后尝试探索了一下
题目要求：把下面的XML文件用XSL转换成html表格显示出来,并按pubDate降序排列
 
 1  <? xml version="1.0" ?>
 2  <? xml-stylesheet type="text/xsl" href="books.xsl" ?>
 3  < books >
 4    < book  id ="1"  pubDate ="20050707" >
 5       < title > c# XML入门经典 </ title >
 6       < description > 编程人员必被的XML技能 </ description >
 7    </ book >
 8    < book  id ="2"  pubDate ="20050607" >
 9       < title > XSL编程精要 </ title >
10       < description > 从XML到HTML </ description >
11    </ book >
12    < book  id ="3"  pubDate ="20050607" >
13       < title > .NET framework框架程序设计 </ title >
14       < description > 框架程序设计 </ description >
15    </ book >
16  </ books >

当时我习惯的在桌面上建立文本文件，然后手工输入：
 
 1  <? xml version="1.0" ?>
 2  < xsl:stylesheet  version ="1.0"  xmlns:xsl ="http://www.w3.org/1999/XSL/Transform" >
 3    < xsl:template  match ="/" >
 4       < html >
 5          < body >
 6             < table  border ="1pt" >
 7                < tr >
 8                    < td > BookId </ td >
 9                    < td > Title </ td >
10                    < td > Description </ td >
11                    < td > PubDate </ td >
12                </ tr >
13                < xsl:apply-templates  select ="//book" >
14                    < xsl:sort  select ="@pubDate"  order ="descending"   />
15                </ xsl:apply-templates >
16             </ table >
17          </ body >
18       </ html >
19    </ xsl:template >
20    < xsl:template  match ="book" >
21                < tr >
22                    < td >< xsl:value-of  select ="@id"   /></ td >
23                    < td >< xsl:value-of  select ="title/text()"   /></ td >
24                    < td >< xsl:value-of  select ="description/text()"   /></ td >
25                    < td >< xsl:value-of  select ="@pubDate"   /></ td >
26                </ tr >
27    </ xsl:template >
28  </ xsl:stylesheet >

注意：上面的XML代码由于ＦＴＢ插入XML代码功能有问题，<后和>前都不能有空格,这也是XML Well-Format的要求.

然后在IE里浏览XML文件，提示：文本内容中发现无效字符;我检查过文件，文件没有非法字符，所以我觉得可能是XML编码问题，然后在顶部的指令里加入encoding="UTF-8",按理来说，UTF-8完全适合题涉及到字符集，但还是提示：文本内容中发现无效字符，而改成encoding="GB2312"就正常了,什么原因呢？

我回来尝试了一下，一般有两种情况：
情况1：
默认情况下，windows的notepad把文件保存为ANSI格式,在这种情况，设定不同encoding有不同的结果：
  encoding="windows-1252",不出错，但中文显示为乱码;
  encoding="GB2312" ,正常显示；
  encoding="UTF-8" ,出错，提示文本内容中发现无效字符 ;
情况2：
把xml文件在notepad另包存为UTF-8格式，
  encoding="windows-1252"，出错，提示不支持从当前编码到指定编码的切换;
  encoding="GB2312" ，出错，提示不支持从当前编码到指定编码的切换;
  encoding="UTF-8" ,正常；
例外：不设置encoding的值，默认就是UTF-8,所以把这种情况归入UTF-8的情况.

那么如何来理解上面的两种情况呢？
 W3C定义了三条XML解析器如何正确读取XML文件的编码的规则：
 1，如果文挡有BOM(字节顺序标记，一般来说，如果保存为unicode格式，则包含BOM，ANSI则无)，就定义了文件编码
 2，如果没有BOM，就查看XML声明的编码属性
 3，如果上述两个都没有，就假定XML文挡采用UTF-8编码

现在，让我们尝试用上面的三条规则来解释上面出现的情况：
情况1分析：
由于XML默认被保存ANSI格式,如果设置encoding="UTF-8"，那么XML解析器就把文件以UTF-8格式 来解析，由于文件的实质格式是ANSI，而ANSI和UTF-8除了其中128个字符的编码相同外，其他的 都不相同而被解析器认为无效字符，所以出现"文本内容中发现无效字符"的错误了；设置为 encoding="windows-1252"，解析器以windows-1252来解析，ANSI其实就是windows-1252，所以编 码相同，解析器能顺利解析，但中文出现乱码又如何理解呢？windows-1252是单字节字符集，而 中文是需要双字节编码的，所以只能解析为乱码。设置encoding="GB2312"能够正常显示，那又如 何理解呢？因为GB2312是双字节的中文简体字符集？前面不是说文件的实质格式是单字节的ANSI 吗？这就是矛盾的地方。

情况2分析：
由于文件被保存为UTF-8(Unicode的其中一种编码方式),所以文件包含BOM，按照W3G的规则来解释 ，XML解析器将以UTF-8解析XML而忽略encoding的设置。可实际上是不能忽略encoding的设置的， 否则无法解释情况2出现的现象。

遗留问题：

 

 

说一下我的理解：
首先，记事本里的ANSI编码保存方式并不是指使用ANSI编码方式。而是指用缺省code page所对应的编码方式。比如，中文Windows系统的缺省code page一般对应GBK，那么你用ANSI方式保存，内码就是GBK。

基于以上理解，1和2情况都好解释：
1：GB2312为GBK的子集，所以能正常显示。其他两种情况对应字符集都不相同，所以不能正常显示

2：UTF-8是不需要BOM的，（也可加上，为：“EF BB BF”，只是为了标明是UTF-8方式）

另：记事本的unicode保存方式其实是UTF-16（Little-Endian），是unicode的一种编码实现方式。它采用双字节的处理方式（16位）。但unicode并不只是双字节的，目前它有两种规范，UCS-2和UCS-4。也就是说，完整表示unicode可能需要4个字节（UTF-8更多，需要6个字节，因为它是单字节处理方式，需要多余位标示该字符在unicode中的对应范围）
本文并没能完全分析情况1，2的现象。不知道大家是如何理解这些情况的呢？