在日常开发工作中，我们经常会使用到XML，早已成为了一种标准。它的用途非常的广泛，但这些不是本文所重点讨论的。

相信大家在做开始时候经常碰到过“乱码”的问题，这是中国程序员非常头疼的问题。我一直很想深入研究关于“编码”的原理，无奈水平有限，那些枯燥的 理论（二进制，ASCII，Unicode，UTF-8，gb2312，ISO ...光这些就让我看的两眼发黑了），实在看不下去，也很难真正搞懂搞明白。望各位网友多指点......

我将用工作中遇到的一个“XML文件乱码”的简单问题，解决问题，分析其背后的原理。

首先，我们在本地新建一个文本文件，将后缀名改为".XML”， 然后用用记事本打开，往里面添加一些符合XML文档规范的内容。如图所示：

写好之后，按“ctrl+s”保存，然后使用IE浏览器打开该XML文件，验证该XML文档的规范及正确性。不料，居然解析出错了，如下：

这是咋回事呢？我的XML文档定义的格式好像没问题啊。无效字符？这肯定是典型的“编码”问题了。聪明的我第一就想到了，调整IE浏览器的“编码”嘛。

可是打开“查看”“编码”，发现那些编码格式全是灰色的，好像不能选择哦。这是因为，在定义XML文档的时候，指定了编码格式为"UTF-8"，这就相当于告诉了浏览器（XML解析引擎）：你必须使用"UTF-8"编码去解析我，所以无法使用其他的编码格式去查看了。

这是因为，我们在使用记事本保存该文档的时候，没有选择编码格式，默认使用的是操作系统编码（中文版的系统），也就是对应的"GB2312”编码。 当我们的IE浏览器，再使用我们指定的UTF-8编码去解析该XML文档的时候，出现了乱码，所以造成了上面的错误。（Windows中的文件保存在硬盘 上，默认使用操作系统编码。比如我们XML文档中定义的“中国”这两个字，保存好后，假如其对应的GB2312可能是"10001"，而在UTF-8编码 中的，“10001”对应的就不是“中国”了，要么找不到，要么是乱码，所以IE就拒绝显示了）。那我们应该怎么办呢？有两种办法可以解决。

第一，我们在xml文档定义时，指定其编码为gb2312，如下图所示：

保存之后，我们再使用IE浏览器打开，结果如图：

恭喜，这个问题解决了。但是这种方法不推荐使用。因为我们在定义XML文档时候，为了文档的通用性，我们一般使用UTF-8编码。

第二种方法：

我们再用记事本打开该文档，点击“另存为”，发现下面会有“编码”选项，选择“UTF-8”之后再试。

其实，我们在使用诸如 Eclipse 或者Microsoft Visual Studio之类的开发工具来定义XML文档，并不会碰到上面的问题。原因是这些IDE都非常“聪明”，你的XML文档指定的是那种编码格式，IDE在将 XML文档保存到硬盘的时候，就自动使用那种格式。所以，很多局限于使用某种IDE开发的程序员，其实并不明白这些知识及其背后的原理，但他们做开发起来 一样很顺手。早年据笔者了解，国内有很多大牛，写代码都是用EditPlus之类的文本编辑器，而那些在Linux/unix上面的大牛，很多都是用VI /VIM来编码。大概这就是差距吧。（呵呵。当然这不是本文讨论的重点）

补充一点理论知识，不晕的就继续读下去吧。

在最初的时候，Internet上只有一种字符集——ANSI的ASCII字符集，它使用7 bits来表示一个字符，总共表示128个字符，其中包括了英文字母、数字、标点符号等常用字符。之后，又进行扩展，使用8 bits表示一个字符，可以表示256个字符，主要在原来的7 bits字符集的基础上加入了一些特殊符号例如制表符。

开头字节 Charset/encoding
EF BB BF　　　　UTF-8
FE FF　　　　　UTF-16/UCS-2,little endian
FF FE　　　　　UTF-16/UCS-2,big endian
FF FE 00 00　　UTF-32/UCS-4,little endian.
00 00 FE FF　　UTF-32/UCS-4,big-endian.

　　例如插入标记后，连通”两个字的UTF-16 (big endian）和UTF-8码分别为：
FF FE DE 8F 1A 90
EF BB BF E8 BF 9E E9 80 9A

　　但是MBCS文本没有这些位于开头的字符集标记，更不幸的是，一些早期的和一些设计不良的软件在保存Unicode文本时不插入这些位于开头的 字符集标记。因此，软件不能依赖于这种途径。这时，软件可以采取一种比较安全的方式来决定字符集及其编码，那就是弹出一个对话框来请示用户，例如将那个 “连通”文件拖到MS Word中，Word就会弹出一个对话框。

　　如果软件不想麻烦用户，或者它不方便向用户请示，那它只能采取自己“猜”的方法，软件可以根据整个文本的特征来猜测它可能属于哪个charset，这就很可能不准了。使用记事本打开那个“连通”文件就属于这种情况。

　　我们可以证明这一点：在记事本中键入“连通”后，选择“Save As”，会看到最后一个下拉框中显示有“ANSI”，这时保存。当再当打开“连通”文件出现乱码后，再点击“File”->“Save As”，会看到最后一个下拉框中显示有“UTF-8”，这说明记事本认为当前打开的这个文本是一个UTF-8编码的文本。而我们刚才保存时是用ANSI字 符集保存的。这说明，记事本猜测了“连通”文件的字符集，认为它更像一个UTF-8编码文本。这是因为“连通”两个字的GB-2312编码看起来更像 UTF-8编码导致的，这是一个巧合，不是所有文字都这样。可以使用记事本的打开功能，在打开“连通”文件时在最后一个下拉框中选择ANSI，就能正常显 示了。反过来，如果之前保存时保存为UTF-8编码，则直接打开也不会出现问题。

　　如果将“连通”文件放入MS Word中，Word也会认为它是一个UTF-8编码的文件，但它不能确定，因此会弹出一个对话框询问用户，这时选择“简体中文（GB2312）”，就能正常打开了。记事本在这一点上做得比较简化罢了，这与这个程序的定位是一致的。