本文示例源代碼或素材下載
XML 根據 Unicode 字符進行定義。在現代計算機的傳輸和存儲過程中，那些 Unicode 字符必須按字節存儲，通過解析器進行解碼。很多編碼方案可實現此目的：UTF-8、 UTF-16、ISO-8859-1、Cp1252 和 SJIS 等。
通常情況下，但不一定總是這樣，您實際上不關注基本編碼。XML 解析器對任何寫入到 Unicode 字符串和字符數組中的文檔進行轉換。程序對解碼後的字符串進行操作。本文討論真正關注基本編碼的 “不常出現” 的情況。
最常見的情況是想為輸出結果保存輸入編碼。
另外一種情況是，不用解析文檔，而將其作為字符串或字符大對象（Character Large Object, CLOB）存儲在數據庫中。
類似地，有些系統通過 HTTP 傳輸 XML 文檔時，並沒有全部讀取文檔，但需要設置 HTTP 的 Content-type 報頭，指定正確的編碼。在這種情況下，您需要知道文檔是如何編碼的。
大多數情況下，對於您編寫的文檔，您知道如何編碼。但是，如果不是您編寫的文檔 — 只是從其他地方接收的文檔（例如，從一個 Atom 提要中）— 那麼最好的方法是使用一個 streaming API，例如 Simple API for XML（SAX）、Streaming API for XML（StAX）、System.Xml.XMLReader 或 Xerces Native Interface（XNI）。另外，也可以使用樹型 API，例如文檔對象模型（Document Object Model，DOM）。但是，它們需要讀取整個文檔，即使通常只需讀取前 100 個字節（或更少）來判斷編碼。streaming API 可以只讀取需要的內容，一旦得到結果後，就不再解析。這樣就會更有效率。
SAX
目前，大多數 SAX 解析器，包括與 Sun 公司的 Java™ 軟件開發套件（JDK）6 綁定的 SAX 解析器，可以用來檢測編碼。該技術不難實現，但是也不易理解。可以簡單地概括為：
在 setDocumentLocator 方法中，將 Locator 參數傳遞給 Locator2。
在字段中保存 Locator2 對象。
在 startDocument 方法中，調用 Locator2 字段的 getEncoding() 方法。
（可選）如果已得到想要的全部結果，那麼可以拋出 SAXException 提前結束解析過程。
清單 1 通過一個簡單的程序說明該技術，輸出命令行中給定的所有 URL 的編碼。
清單 1. 使用 SAX 確定文檔的編碼
import org.XML.sax.*;
import org.XML.sax.ext.*;
import org.XML.sax.helpers.*;
import Java.io.IOException;
public class SAXEncodingDetector extends DefaultHandler {
public static void main(String[] args) throws SAXException, IOException {
XMLReader parser = XMLReaderFactory.createXMLReader();
SAXEncodingDetector handler = new SAXEncodingDetector();
parser.setContentHandler(handler);
for (int i = 0; i < args.length; i++) {
try {
parser.parse(args[i]);
}
catch (SAXException ex) {
System.out.println(handler.encoding);
}
}
}
private String encoding;
private Locator2 locator;
_cnnew1@Override
public void setDocumentLocator(Locator locator) {
if (locator instanceof Locator2) {
this.locator = (Locator2) locator;
}
else {
this.encoding = "unknown";
}
}
@Override
public void startDocument() throws SAXException {
if (locator != null) {
this.encoding = locator.getEncoding();
}
throw new SAXException("Early termination");
}
}
該方法花費 90% 的時間，有可能會更多一點。但是，SAX 解析器不需要支持 Locator 接口，更不用說 Locator2 以及其他的接口。如果知道正在使用的是 Xerces，第二種方法是使用 XNI。
Xerces Native Interface
使用 XNI 的方法與 SAX 是非常相似的（實際上，在 Xerces 中，SAX 解析器是本機 XNI 解析器之上很薄的一層）。總之，這種方法更容易一些，因為編碼作為參數直接傳遞給 startDocument()。您只需要讀取它，如清單 2 所示。
清單 2. 使用 XNI 確定文檔的編碼
import Java.io.IOException;
import org.apache.xerces.parsers.*;
import org.apache.xerces.xni.*;
import org.apache.xerces.xni.parser.*;
public class XNIEncodingDetector extends XMLDocumentParser {
public static void main(String[] args) throws XNIException, IOException {
XNIEncodingDetector parser = new XNIEncodingDetector();
for (int i = 0; i < args.length; i++) {
try {
XMLInputSource document = new XMLInputSource("", args[i], "");
parser.parse(document);
}
catch (XNIException ex) {
System.out.println(parser.encoding);
}
}
}
private String encoding = "unknown";
@Override
public void startDocument(XMLLocator locator, String encoding,
NamespaceContext context, Augmentations augs)
throws XNIException {
this.encoding = encoding;
throw new XNIException("Early termination");
}
}
請注意，因為一些未知的原因，該技術只使用 org.apache.xerces 中實際的 Xerces 類，而不使用與 Sun 的 JDK 6 綁定的 com.sun.org.apache.xerces.internal 中重新打包的 Xerces 類。
XNI 提供了另外一個 SAX 不具有的功能。在少數情況下，在 XML 聲明中聲明的編碼不是實際的編碼。SAX 只報告實際編碼，但是，XNI 也可以告訴您在 XMLDecl() 方法中聲明的編碼，如清單 3 所示。
清單 3. 使用 XNI 確定文檔的聲明的編碼和實際的編碼
import Java.io.IOException;
import org.apache.xerces.parsers.*;
import org.apache.xerces.xni.*;
import org.apache.xerces.xni.parser.*;
public class AdvancedXNIEncodingDetector extends XMLDocumentParser {
public static void main(String[] args) throws XNIException, IOException {
AdvancedXNIEncodingDetector parser = new AdvancedXNIEncodingDetector();
for (int i = 0; i < args.length; i++) {
try {
XMLInputSource document = new XMLInputSource("", args[i], "");
parser.parse(document);
}
catch (XNIException ex) {
System.out.println("Actual: " + parser.actualEncoding);
System.out.println("Declared: " + parser.declaredEncoding);
}
}
}
private String actualEncoding = "unknown";
private String declaredEncoding = "none";
@Override
public void startDocument(XMLLocator locator, String encoding,
NamespaceContext namespaceContext, Augmentations augs)
throws XNIException {
this.actualEncoding = encoding;
this.declaredEncoding = "none"; // reset
}
@Override
// this method is not called if there's no XML declaration
public void XMLDecl(String version, String encoding,
String standalone, Augmentations augs) throws XNIException {
this.declaredEncoding = encoding;
}
@Override
public void startElement(QName element, XMLAttributes attributes,
Augmentations augs) throws XNIException {
throw new XNIException("Early termination");
}
}
通常情況下，如果聲明的編碼和實際的編碼不同，就表明服務器存在一個 bug。最常見的原因是由於 HTTP Content-type 報頭指定的編碼與在 XML 聲明中聲明的編碼不同。在本例中，要嚴格遵守規范，要求優先考慮 HTTP 報頭的值。但實際上，很可能 XML 聲明中的值是正確的。
結束語
通常情況下，您不需要了解輸入文檔的編碼。只需要用解析器處理輸入文檔，以 UTF-8 編碼輸出結果即可。但是，有些情況下需要知道輸入編碼，SAX 和 XNI 可以提供快速而有效的方法來解決這一問題。