在xml/html上使用启发式方法进行编码识别？

假设我有一个存储在远程计算机上的XML文件。我不知道这个文件是怎么保存的。（使用了什么编码）

我想读取此文件并对该XML文件执行一些操作

但后来我想：，好吧，如果我不知道如何分析硬盘上的字节，

我怎么才能读懂

编码部分呢

经过一小段时间后，我被告知可以在UTF-8和UTF-16之间自动推断编码，而这些是XML规范规定的唯一可以忽略的

这让我问：其他编码呢？如果XML保存在编码lala的
中，我怎么知道它呢

当Jon引用我的w3c文章时，我确实发现：

XML编码声明的功能是在每个
实体，指示正在使用的字符编码在XML之前
处理器可以读取内部标签，但显然必须读取
知道使用的是什么字符编码，这是内部
标签试图指示

它通过以下方式实现：

因为每个XML实体都没有外部编码
非UTF-8或UTF-16编码的信息必须以XML开头
编码声明，其中第一个字符必须是
，这是必需的，因为启发式方法不能总是完全确定编码是什么。例如，对于不带字节顺序标记的序列，该序列的编码为：
003c 003f

UTF-16BE或big-endian ISO-10646-UCS-2或其他编码，16位代码单元采用大端顺序，ASCII字符编码为ASCII值（必须读取编码声明以确定哪种编码）

（重点加上。）

实际上，在没有字节顺序标记的情况下，似乎在所有情况下（除了case
Other
）都必须读取编码声明。它只是没有在规范的文本中变得非常突出

在启发式不足以完全确定的情况下，解析器调整其解码足以读取编码声明并最终确定编码。（规范实际上也这么说。）
读取XML文件需要两种编码（我不会提及BOM，它只是简化事情的另一个提示）：

1） 第一种编码用于读取XML声明。它更像是面向字节的编码，因为您只需要读取US-ASCII字符。你有一堆字节，你需要读一堆ASCII字符

注意，这是因为编码名称只能包含US-ASCII字符（）。例如，在那个阶段，您实际上不需要区分UTF-8和US-ASCII，因为它们以相同的方式编码ASCII字符

因此，这里要测试的编码数量是有限的，因为您关注的是字节->ASCII（1字节->1字符，2字节->1字符，4字节->1字符等）字符转换，而不是整个Unicode集合。您将在此处使用的编码可能不会用于文件的其余部分

例如，此时，您将无法区分使用该编码的文件和使用ISO-8859-1编码的文件。为此，您需要读取编码名称

2） 第二种编码用于读取文件的其余部分。
@Tomalak和那些ascii字符，它们保存在哪种编码中？看这张桌子。（也请阅读我与Jon的讨论）。我现在理解了你的问题，忘了我的评论。我在2分钟前问了一个评论，我将再次粘贴到这里（：-）---仍然是一个小问题：我是解析器。我已经读了前3个字节。我在做试探，直到我到达
你可以有一个与文件的第一个字节不一致的编码名称（例如，如果第一个字节每字符编码一个字节，编码是UTF-16）。在本例中，XML文件不正确。此密钥的权限有限，只有在您愿意的情况下才适合读取编码名称。