曝光台 注意防骗
网曝天猫店富美金盛家居专营店坑蒙拐骗欺诈消费者
与大多数X M L属性不同，这些必须按上面的顺序依次出现。另一方面，也是与大多数X M L
属性不同，e n c o d i n g属性值不是大小写敏感的。这种不一致主要是因为X M L对现有I S O和I A N A
标准关于字符编码命名的依赖。
针对X M L的、支持最广泛的字符编码包括：
• 统一代码：“U T F - 8”，“U T F - 1 6”
• ISO 10646：“I S O - 1 0 6 4 6 - U C S - 2”，“I S O - 1 0 6 4 6 - U C S - 4”
• ISO 8859：“I S O - 8 8 5 9 - n”（其中的n代表数字1到9）
• JIS X-0208-1997：“I S O - 2 0 2 2 - J P”，“S h i f t - J I S”，“E U C - J P”
虽然H T T P为服务器联络客户端（浏览器）提供了一种方法，编码的作用也正在于此，但有
时候并没有服务器的存在（比如在我们察看本地文件系统上的文件时）。使用e n c o d i n g属性也比
试图依靠自动检测字符编码要可靠得多，后者已经很常见，但无法区分U T F - 8和I S O - 8 8 5 9 - 1，也
不能可靠地检测出U T F - 7编码。
下面，我们再细致地了解一下编码的意义。
(1) 字符编码
统一代码原本是设计成一个简单的1 6位的标量值集合，因为它要包含任何现代语言必需的
大多数特殊符号或字符。尽管这65 536个字符并没有全部用上，但很明显需要的字符会越来越多，
而统一代码也增加了代理块（ surrogate block）机制来增加1 048 576个额外字符（稍后我们将详
细阐述）。
虽然统一代码使用标量值识别字符，但存储这些数字还是有不同的办法。X M L需要在网络
中广泛使用的设计目的要求有各种各样的编码方法。
U T F - 8能够正常地处理7位的A S C I I码，但对于其他任何内容都需要2到8个字节（每个的变
化范围都是从8 0到F F）—对于占统治地位的A S C I I文本来说相当不错，但对于除此之外的事物
来说则不是什么好消息。由于U T F - 8对非A S C I I数据支持不够，而且J a v a是构建在统一代码字符
集之上，所以对于国际化的应用来说， U T F - 8并不是一个好的选择。“U T F”意味着“统一代码
传输格式”（在统一代码文档中是这样描述的），或者“ U S C传输格式”（在ISO 10646中是这样
描述的）。
第2章XML 语法使用39
下载
U T F - 1 6编码最为简单，它用两种传统方式（大尾数法和小尾数法）中的一种来存储1 6位的
字符（这取决于计算机处理器的体系结构）。
其他字符可能使用代理块（参见下节）编码。对U T F - 1 6的关注主要来自东亚，在那里有时
需要用两个编码单元来表示一个字符。但是，亚洲字符当中的绝大部分都只需要一个编码单元。
根据统一代码FA Q，代理对的使用要比所有文本存储的1 %少许多。所以，大多数构造于统一代
码之上的软件使用的都是U T F - 1 6编码。
U T F - 3 2编码（几乎等同于ISO 10646 UCS-4编码）可以简化编程工作—所有的统一代码字
符（以及大约4 0亿个附加字符）能够使用这种方法编码。虽然对于某些语言/平台来说能够简化
编程，但这并不是一种理想的选择，因为用这种编码每个字符还是需要双倍的存储空间（也就
是A S C I I字符存储空间的四倍）。
ISO 10 646和统一代码之间的关系在h t t p : / / c o n s u l t . c e r n . c h / c n l / 2 1 5 / n o d e 4 7 . h t m l有详细描述，I S O
8 8 5 9也在h t t p : / / p p e w w w. p h . g l a . a c . u k / ~ f l a v e l l / i s o 8 8 5 9 / i s o 8 8 5 9 - p o i n t e r s . h t m l有相关的讨论。
(2) 代理块
很明显，65 536个字符可能足够支持大多数现代语言，满足学者和历史学家的需要，具备表
现语言充满活力的天性，但同时它也需要更大的空间。例如，统一代码添加了大约14 500个复合
字符以兼容现有的字符集；此外还有许许多多数学符号、亚洲象形文字、历史字符没有包含在
统一代码当中。所以，统一代码增加了代理块（ surrogate block）。
代理块是统一代码用来扩展超出现有1 6位数字的字符空间的办法。它保留了两个1 024个字
符的区域（ D 8 0 0到D B F F和D C 0 0到D F F F）以容纳1 048 576个附加字符。第一个区域内的1 6位值
是一个3 2位数字的高端部分，而第二个则是低端部分。这就允许并不理解这些组合字符的程序
能够简单地显示一个或两个占位符。这些扩充字符能够用于现代象形文字语言（例如汉语和日
语），古语（例如埃及的象形文字），甚至新发明的语言（ K l i n g o n、To l k i e n的D w a r v i s h码）。
但无论是好是坏，代理块字符对并不是合法的X M L字符。
(3) 字节顺序掩码（Byte-Order Mark、B O M）
统一代码数据利用B O M作为信号来指定所使用的编码方法（参见表2 - 4）。
表2 - 4
字节编码形式
00 00 FE FF U T F - 3 2 / U C S - 4，大尾数法
FF FE 00 00 U T F - 3 2 / U C S - 4，小尾数法
FE FF 00 ## U T F - 1 6，大尾数法
FF FE ## 00 U T F - 1 6，小尾数法
EF BB BF U T F - 8
虽然这些值在X M L数据中并不是合法的，但它们能够把有效的X M L数据加入到被传输的数
据对象当中，并为X M L解析器和/或应用程序提供有价值（虽然通常是冗余的）的编码信息。
X M L解析器必需在X M L数据之前处理B O M，因为需要同时支持U T F - 8和U T F - 1 6编码。
下面，让我们看一看序言的第二种可选的组件。
2. 文档类型声明
我们不能把它同文档类型定义（也就是通常所说的D T D）相混淆的。而且，文档类型声明
40使用XML 高级编程
下载
中包含着文档类型定义的内部子集和/或到外部子集的引用。
所有有效的X M L文档必需包含这个声明，但简单的格式正规的文档并不需要这样的包含关
系，而且它们也不包含（除了5个标准X M L实体）任何实体引用。如果使用了附加的字符实体，
中国航空网 www.aero.cn
航空翻译 www.aviation.cn
本文链接地址：
XML高级编程上(17)
