從XML文件亂碼問題，探尋其背後的原理 (ZHUAN)

出現應用程序讀取XML文件亂碼的場景：

加入xml文件以<?xml version="1.0" encoding="utf-8" ?> 格式的；若是對xml文件進行修改了，其中包含中文字符的內容，另存爲其餘格式化時（好比unicod，ANSI）等等格式，則新保存的配置文件，程序讀取時候將會出現亂碼，不能正常的讀取。

驗證以下方法：

（1）、能夠將XML文件拖放在IE瀏覽器上，會出現XML文件沒法正常的在瀏覽器上面渲染。

 

（2）、經過Visual studio 打開該XML文件，會出現加載格式錯誤！

 

 

---

 

參看地址：http://blog.csdn.net/dinglang_2009/article/details/6895355

在平常開發工做中，咱們常常會使用到XML，早已成爲了一種標準。它的用途很是的普遍，但這些不是本文所重點討論的。

相信你們在作開始時候常常碰到過「亂碼」的問題，這是中國程序員很是頭疼的問題。我一直很想深刻研究關於「編碼」的原理，無奈水平有限，那些枯燥的理論（二進制，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......

我將用工做中遇到的一個「XML文件亂碼」的簡單問題，解決問題，分析其背後的原理。

首先，咱們在本地新建一個文本文件，將後綴名改成".XML」， 而後用用記事本打開，往裏面添加一些符合XML文檔規範的內容。如圖所示：

 

寫好以後，按「ctrl+s」保存，而後使用IE瀏覽器打開該XML文件，驗證該XML文檔的規範及正確性。不料，竟然解析出錯了，以下：

 

這是咋回事呢？個人XML文檔定義的格式好像沒問題啊。無效字符？這確定是典型的「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。

但是打開「查看」「編碼」，發現那些編碼格式全是灰色的，好像不能選擇哦。這是由於，在定義XML文檔的時候，指定了編碼格式爲"UTF-8"，這就至關於告訴了瀏覽器（XML解析引擎）：你必須使用"UTF-8"編碼去解析我，因此沒法使用其餘的編碼格式去查看了。

這是由於，咱們在使用記事本保存該文檔的時候，沒有選擇編碼格式，默認使用的是操做系統編碼（中文版的系統），也就是對應的"GB2312」編碼。當咱們的IE瀏覽器，再使用咱們指定的UTF-8編碼去解析該XML文檔的時候，出現了亂碼，因此形成了上面的錯誤。（Windows中的文件保存在硬盤上，默認使用操做系統編碼。好比咱們XML文檔中定義的「中國」這兩個字，保存好後，假如其對應的GB2312多是"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，因此IE就拒絕顯示了）。那咱們應該怎麼辦呢？有兩種辦法能夠解決。

第一，咱們在xml文檔定義時，指定其編碼爲gb2312，以下圖所示：

 

保存以後，咱們再使用IE瀏覽器打開，結果如圖：

 

恭喜，這個問題解決了。可是這種方法不推薦使用。由於咱們在定義XML文檔時候，爲了文檔的通用性，咱們通常使用UTF-8編碼。

第二種方法：

咱們再用記事本打開該文檔，點擊「另存爲」，發現下面會有「編碼」選項，選擇「UTF-8」以後再試。

 

其實，咱們在使用諸如 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。緣由是這些IDE都很是「聰明」，你的XML文檔指定的是那種編碼格式，IDE在將XML文檔保存到硬盤的時候，就自動使用那種格式。因此，不少侷限於使用某種IDE開發的程序員，其實並不明白這些知識及其背後的原理，但他們作開發起來同樣很順手。早年據筆者瞭解，國內有不少大牛，寫代碼都是用EditPlus之類的文本編輯器，而那些在Linux/unix上面的大牛，不少都是用VI/VIM來編碼。大概這就是差距吧。