一、什麼是編碼
所謂編碼,就是把 Unicode 字符轉換為對應二進制表示的過程。當 XML 解析器讀取一份文檔時,必須先知道它採用哪種編碼,才能正確還原字符。正因如此,我們需要在 XML 聲明裡明確標註編碼類型。
UTF-8
UTF-16
其中的 UTF 是「UCS 轉換格式」的縮寫,而 UCS 指通用字符集;數字 8 與 16 則代表呈現單個字符所用的比特數,分別為 8 位(一個字節)與 16 位(兩個字節)。若文檔完全沒有標註編碼信息,解析器會默認按 UTF-8 處理。
編碼信息位於文檔的序言部分。UTF-8 的寫法如下:
UTF-16 的寫法則是:
下面這份文檔展示了完整的編碼聲明:
上例中的 encoding="UTF-8" 表示以 8 位來編碼字符;若改用 16 位,則換成 UTF-16 即可。值得一提的是,採用 UTF-8 編碼的 XML 文件,體積通常比 UTF-16 版本更小。
二、文檔驗證
驗證,指的是檢查一份 XML 文檔是否合法的過程。當文檔內容與其元素、屬性以及關聯的文檔類型定義(DTD)相匹配,並符合相應約束時,我們就說它是有效的。透過 XML 解析器進行驗證,一般分為兩種情形:
格式良好的 XML 文檔
有效的 XML 文檔
一份文檔若遵守以下規則,即可被視為格式良好:
未採用 DTD 的文檔,必須使用預定義的字符實體來處理 &(amp)、單引號(apos)、>(gt)與雙引號(quot)。
標簽必須正確嵌套,也就是內部標簽要先於外部標簽閉合。
每個開始標簽都要有對應的結束標簽,或者本身就是自閉合標簽(如 <title>...</title> 或 <title />)。
開始標簽中的屬性值必須用引號包裹。
除了 amp、apos、gt、quot 這幾個實體之外,其他實體都必須先聲明再使用。
以下是一份格式良好的 XML 文檔:
之所以說它格式良好,是因為:
它明確定義了文檔類型,此處為元素類型。
它包含一個名為 address 的根元素。
每個子元素 name、company、phone 都是能自我說明並正確閉合的標簽。
標簽的嵌套順序完全正確。