一 直以為character set和character encoding是一回事，最近才發現它們差不多是兩個概念。從字面意思上看，一個character set就是一些字符的集合，比如26個英文字母，全體漢字，或者兩者的組合，然而計算機是只能處理數字的，一個字符必須被表示成一個數字才可能被計算機處 理，因此一個character set還必須定義字符到數字的映射關系，比如字符A映射到數字64，字符Z映射到數字90，這些數字叫做code points；character encoding則用來定義這些code points如何用字節表示出來，比如code point 90可以被編碼為一個單字節，一個little-endian的unsigned short，一個big-endian的integer，或者更復雜的形式。換句話說，一個character set僅僅是一張字符和數字的映射表，它并不規定這些數字如何用字節表示出來，這種表示的事情由character encoding來定義。因此，一個character encoding是針對一個character set的，而一個character set可以有多個character encoding，比如UTF-8，UTF-16都是Unicode Character Set的encoding。

對 一段編碼后的文本，要想正確地處理它，必須要事先知道其采用的編碼方式，因此這種編碼信息一般是存在于該文本之外的，比如某些編輯器會在文件開始放幾個不 可見的字節來指示其正文的編碼方式，這些字節叫做BOM（Byte Order Mark）；某些網絡協議會有一些字段來指示其所攜帶文本的編碼方式。這種方式很直觀，很多系統/技術采用這種方式，大多數有關xml的應用也會優先使用 這種外部的編碼信息，但是當沒有這種外部的編碼信息可用的時候呢？一個xml document可以用一個xml declaration來聲明其采用的編碼，形如<?xml version="1.0" encoding="UTF-8"?>，這種方式看起來不大可能工作，因為這個聲明本身就是文本的，并且該聲明是xml document的一部分，不可能規定其采用的編碼方式。如何能在不知道xml document編碼的情況下理解其xml declaration中聲明的編碼呢？對xml編碼聲明的位置及內容的限制使自動檢測成為可能：編碼聲明必須出現在文檔開頭，只允許ASCII字符并且 其頭幾個字符必須是<?xml，這樣，一個xml processor就可以先讀出文檔的前幾個字節，推斷其采用的編碼的特征，根據該特征能理解xml declaration，讀出encoding屬性值，從而知道該文檔的編碼。比如，如果前4個字節的內容為3C 3F 78 6D，則可以確定該文檔采用的是一種兼容ASCII的編碼，這樣xml processor就可以用任一種兼容ASCII的編碼（如UTF-8）來理解編碼后xml聲明，因為其只包含ASCII字符，任何兼容ASCII的編碼 對其編碼的結果都是相同的。當得到xml declaration中聲明的編碼時，xml processor再轉換到該編碼對該xml進行處理。下表來自XML W3C Recommendation，列出了自動檢測編碼的方式：