DOM方式解析XML的时候encoding属性的作用

1.规定

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. 如果文本文件头部有BOM（Byte Order Mark），即字节顺序标记（它是在Unicode编码标准中用于标识文件是采用哪种格式的编码），就按照BOM来。
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文档采用UTF-8编码。

也就是说XML解析器首先根据文件的BOM来解析文件；如果没找到BOM，由用XML里的encoding属性指定的编码；如果xml里encoding没指定的话，就默认用utf-8来解析文档。然后又可以推出，BOM和ENCODING都有的话，则以BOM指定的为准。

2实际DOM解析的时候或者是浏览器解析XML的规则

但是对于DOM（这里以Dom4j为例）解析的时候或者是浏览器解析XML的时候，会省略第一步（本人亲自尝试，例子如下所示），直接就查看XML声明的编码属性，然后用其声明的方式进行解码。如果没有在xml中声明编码方式，就假定XML文档采用UTF-8编码。

关于识别XML的理解：因为无论是哪种编码都是兼容ASCII的，所以XML解析器能够正常读取xml的头部声明，然后在读取xml声明中的encoding，向解析器说明以哪种编码方式解析ascii之外的字符，如果未找到xml头部声明或头部声明中没有encoding属性，则默认为utf-8编码。

2.1如果出现以下几种情况XML解析将会出错：（用上述规则进行分析）

一.编码格式为UTF-8（无BOM），xml声明为encoding=“GBK”

Dom4j解析出现乱码：

二.编码格式为UTF-8（有BOM），xml声明为encoding=“GBK”

Dom4j解析也出现乱码：

三.编码格式为GB2312（GBK包含了GB2312），xml声明为encoding=“UTF-8”

Dom4j解析时直接报错：

四.编码格式为GB2312（GBK包含了GB2312），xml声明中无encoding"

Dom4j解析时直接报错（因为没指定默认为UTF-8）：

2.2出现如下几种情况正常解析

五.编码格式为GB2312（GBK包含了GB2312），xml声明为encoding=“GBK”

Dom4j正常解析XML：

六.编码格式为UTF-8（有无BOM都可以），xml声明为encoding=“GBK”

Dom4j正常解析XML：

七.编码格式为UTF-8（有无BOM都可以），xml声明中无encoding"

Dom4j正常解析XML（因为没指定默认为UTF-8）：

八.编码格式为UTF-8（有无BOM都可以），无xml声明"

Dom4j正常解析XML（因为没指定默认为UTF-8）：

3.Dom4j解析中的编码

在Dom4j把XML解析成document对象后，可以看到其读取到的xml声明encoding="UTF-8”,其默认的编码格式也是UTF-8，如下图：

4.这里对BOM说明一下（了解的同学可跳过该部分）

它是在Unicode编码标准中用于标识文件是采用哪种格式的编码。比如：
UTF-8 （文本文件头部的BOM为：EF BB BF）、
UTF-16（大端序）（文本文件头部的BOM为：FE FF）、
UTF-16（小端序）（文本文件头部的BOM为：FF FE）、
UTF-32或UCS-（大端序）（文本文件头部的BOM为：00 00 FE FF）
UTF-32（小端序）（文本文件头部的BOM为：FF FE 00 00）

Ps：
第一点：
这里说一下大小端：
对于0xABCD在内存中存储方式如下：
大端（Big-Endian）：
低地址 -----> 高地址 0xAB 0xCD
小端：（Little- Endian）：
低地址 -----> 高地址 0xCD 0xAB

第二点：
UTF-8 是可变长编码，不需要 BOM 来表明字节顺序，但可以用 BOM 来表明编码方式。字符 “Zero Width No-Break Space” 的 UTF-8 编码是 EF BB BF。所以如果接收者收到以 EF BB BF 开头的字节流，就知道这是 UTF-8编码了。Windows 就是使用 BOM 来标记文本文件的编码方式的。

Zero Width No-Break Space是什么？
在UCS 编码中有一个叫做 “Zero Width No-Break Space” ，中文译名作“零宽无间断间隔”的字符，它的编码是 FEFF。而 FEFF 在 UCS 中是不存在的字符，所以不应该出现在实际传输中。UCS 规范建议我们在传输字节流前，先传输字符 “Zero Width No-Break Space”。这样如果接收者收到 FEFF，就表明这个字节流是 Big-Endian 的；如果收到FFFE，就表明这个字节流是 Little- Endian 的。因此字符 “Zero Width No-Break Space” （“零宽无间断间隔”）又被称作 BOM。

UCS 编码是什么？
Unicode是为整合全世界的所有语言文字而诞生的。任何文字在Unicode中都对应一个值，这个值称为代码点（code point）。代码点的值通常写成 U+ABCD 的格式。而文字和代码点之间的对应关系就是UCS-2（Universal Character Set coded in 2 octets）。顾名思义，UCS-2是用两个字节来表示代码点，其取值范围为 U+0000～U+FFFF。
为了能表示更多的文字，人们又提出了UCS-4，即用四个字节表示代码点。它的范围为 U+00000000～U+7FFFFFFF，其中 U+00000000～U+0000FFFF和UCS-2是一样的。
要注意，UCS-2和UCS-4只规定了代码点和文字之间的对应关系，并没有规定代码点在计算机中如何存储。规定存储方式的称为UTF（Unicode Transformation Format），其中应用较多的就是UTF-16和UTF-8了。