XML编码声明和endianness

Question

在JDK库中包含XML解析之前，我正在整理一些非常老的Java代码，这些代码写到XML规范的第一版，并试图更新它并编写一些测试。特别是，我正在(重新)实现这样的XML 字符编码自动检测：

1. 我读过BOM如果有的话。
2. 如果没有BOM，我将根据所期望的<?xml声明的开始来“推断”BOM。
3. 我现在有足够的信息(每个字符的字节数、endianness等等)。阅读encoding=声明(如果有的话)，根据XML规范，它可能会告诉我一些更具体或更深奥的编码。

因此，假设该文件有一个用于UTF-16LE的实际BOM。XML属性的值应该是什么？应该是encoding="UTF-16LE"吗？但是Unicode Byte命令标记FAQ似乎表明，如果一个UTF-16家庭BOM存在，我应该“标记文本”为仅仅UTF-16。这是否意味着我应该在我的XML文件中使用encoding="UTF-16"？但是，我的解析器是否应该忽略encoding值，而使用它从BOM中确定的更具体的字符集呢？我开始迷惑自己了。

W3C HTML常见问题似乎表明，标记文本是指“在HTTP中标记”，即外部字符集指定，大概在header中。因此，也许可以让一个以BOM开头的XML文件包含UTF-16LE或UTF-16BE的XML声明。但是我还没有看到这样的XML文件。

如果我在XML文件中使用一个UTF-16LEBOM，1)我应该在encoding属性中使用什么值，2)解析器应该自动检测什么字符集作为文件的编码？

Answer 1

理解这一点的关键是认识到UTF-16编码方案不同于UTF-16 to和UTF-16 to。UTF-16，小endian，不是UTF-16 is。

注意，特别是Unicode BOM常见问题中最后一个问题的第4点。如果编码是UTF-16 be或UTF-16 be，则不能使用BOM。对于这些“编码方案”的正式定义，您也可以参考Unicode标准中的3.10。

因此，如果您找到UTF-16的BOM，编码是UTF-16，而不是UTF-16 to或UTF-16 to(两者都不允许有BOM)。如果没有BOM，编码可能是这三种中的任何一种，尽管在这种情况下，UTF-16基本上与be和LE变体没有区别。但是，请注意，XML1.1中的4.3.3说“在UTF-16中编码的实体必须和在UTF-8中编码的实体可以以Byte Order Mark开头”。因此，对于XML，如果没有BOM，那么编码就不能是UTF-16 (但可能是UTF-16 be或UTF-16 be )。