HTTP 'charset' 和 XML 'encoding' 不匹配

Question

我遇到了一个 Web 服务返回一个带有 UTF-8 charset 的 HTTP Content-Type 标头：

Content-Type: text/xml;charset=UTF-8

...和一个 XML 声明 encoding 属性，其值为 ISO-8859-1（又名，latin1）：

<?xml version='1.0' encoding="ISO-8859-1" standalone="no" ?>

当我尝试在 Firefox 中显示来自此 Web 服务的响应时，它会在遇到 á 时显示 XML Parsing Error: not well-formed (small letter a with acute )。

Firefox 发出此解析错误这一事实对我来说并不意外。我想说的是，不等同于 HTTP 字符集的 XML 编码是从不正确的。我对吗？这种情况总是是否应该被视为 Web 服务器配置问题？

Answer 1

问题

您有 test/xml 和 UTF-8 字符集。在这种情况下，RFC 3023 的第 8.1 节“带有 UTF-8 字符集的文本/xml”适用。

这是用于 text/xml 的推荐字符集值。由于提供了 charset 参数，MIME 和 XML 处理器必须将封闭的实体视为 UTF-8 编码。

不幸的是，这仅定义了 XML 编码也是 utf-8 的情况，而您在这里没有。

但是，还有一个部分，8.20“不一致的示例：带有 UTF-8 字符集的文本/xml”，它准确地提到了您的情况：

内容类型：文本/xml； charset="utf-8"

由于在 Content-Type 标头中提供了 charset 参数，MIME 和 XML 处理器必须将封闭的实体视为 UTF-8 编码。也就是说，必须忽略“iso-8859-1”编码。

现在，您的文档可能（您应该使用十六进制编辑器进行验证）包含 ISO-8859-1 格式的 á，即 0xE1（十六进制）。由于 ISO 编码被忽略并应用 UTF-8，因此应该改为 0xC3 0xA1。

在 UTF-8 中，0xE1 本身不是字符。相反，它是一个 3 字节字符序列的开头，覆盖了 Unicode 范围 U+1000 到 U+1FFF。要知道它会解码成什么，我们需要知道 á 后面的接下来的 2 个字节。它很可能跟在 ASCII 集中的“正常”字符后面。这将是一个无效字符，因为 0xE1 后面的 2 个字节必须是 0x80 或更高 - 因此会发生编码错误。

您的问题

我想说，不等同于 HTTP 字符集的 XML 编码永远不会正确。我说的对吗？

好吧，至少不建议这样做，您需要详细了解 RFC 3023 才能知道在这种情况下会发生什么。如果内容类型和编码匹配，就会容易得多。

是否应该始终将这种情况视为 Web 服务器配置问题？

没有。这也可能是一个实施问题，例如程序员已经在应用程序中定义了内容类型和编码，你不能在 webserver 配置中做太多的事情。