XML作为常用的数据交换格式，在跨平台、跨系统的数据传输场景中应用广泛，而编码不匹配导致的乱码问题会直接影响数据的正确解析，甚至引发业务流程异常。了解编码问题的根源并掌握处理方法，是开发过程中必备的技能。
XML编码问题的常见成因
XML编码问题本质是字符的存储编码和解析编码不一致导致的，常见的成因主要有以下几类：
- XML声明中的
encoding属性与实际文件存储编码不匹配，比如声明是UTF-8，但文件实际以GBK编码保存。 - 生成XML时未指定编码，或者解析器默认使用了与文件编码不同的规则读取数据。
- 不同系统之间的编码默认规则不同，比如Windows系统部分场景下默认使用GBK，而Linux系统多默认使用UTF-8，跨系统传输XML时容易出现编码冲突。
- XML中包含特殊字符，未做正确的转义处理，也可能被解析器误判为编码错误。
XML编码问题的处理方法
1. 核对XML声明与文件编码
首先查看XML文件开头的声明，标准的XML声明格式如下：
<?xml version="1.0" encoding="UTF-8"?>
如果声明中的encoding是UTF-8，就需要确认文件本身是以UTF-8无BOM格式保存的。如果是用记事本等工具编辑的XML，很容易默认保存为ANSI编码（对应GBK），此时需要手动调整保存编码。以VS Code为例，点击右下角的编码标识，选择“通过编码保存”，再选择UTF-8即可。
2. 解析XML时指定正确编码
如果是在代码中解析XML，需要显式指定解析器使用的编码，避免依赖默认规则。以下是Java中使用DOM解析XML时指定编码的示例：
import javax.xml.parsers.DocumentBuilder;
import javax.xml.parsers.DocumentBuilderFactory;
import java.io.FileInputStream;
import java.io.InputStreamReader;
public class XmlParseDemo {
public static void main(String[] args) throws Exception {
// 创建解析器工厂
DocumentBuilderFactory factory = DocumentBuilderFactory.newInstance();
DocumentBuilder builder = factory.newDocumentBuilder();
// 指定文件编码为UTF-8，避免解析乱码
InputStreamReader reader = new InputStreamReader(new FileInputStream("test.xml"), "UTF-8");
// 解析XML
builder.parse(new org.xml.sax.InputSource(reader));
}
}
3. 处理特殊字符转义
XML中有五个预定义的特殊字符，如果直接出现在内容中会导致解析错误，需要按照规则转义：
| 原字符 | 转义后字符 |
|---|---|
| < | < |
| > | > |
| & | & |
| ' | ' |
| " | " |
如果内容中包含大量特殊字符，也可以使用CDATA段包裹内容，CDATA段内的内容会被解析器当作纯文本处理，不会解析其中的特殊字符：
<content>
<![CDATA[ 这里可以写任意特殊字符，比如 < > & 都不会被解析错误 ]]>
</content>
如何避免XML乱码
要避免XML编码问题，最好的方式是从源头做好规范，遵循以下实践建议：
- 统一使用UTF-8编码生成和保存所有XML文件，UTF-8是跨平台兼容性最好的编码格式，能覆盖绝大多数字符场景。
- XML文件开头必须显式声明
encoding="UTF-8"，不要省略编码属性，避免解析器使用默认编码规则。 - 在代码中读写XML时，始终显式指定编码为UTF-8，不要依赖系统或工具的默认编码设置。
- 跨系统传输XML数据时，提前约定好编码规则，避免不同系统默认编码差异导致的问题。
- 生成XML内容时，对用户输入的内容做特殊字符校验，必要时自动转义或者包裹在CDATA段中。
注意：如果XML文件需要带BOM头，需要确认解析器是否支持BOM，部分老旧的解析器可能无法正确处理UTF-8 BOM，这种情况下建议使用无BOM的UTF-8编码。