我正在解析很多网站。一切正常，我还在阅读字符集声明以转换编码。现在我对http://celleheute.de/sonntagsfuhrung-3/有疑问。
HTML 元标记说，内容被编码为 ISO-8859-2，但 HTTP 标头说，它是 UTF-8。实际上，内容是 UTF 编码的，所以当我的解析器尝试将内容转换为 ISO 时，它会破坏一些字符。
现在我的问题是，我应该更喜欢哪个声明？当我可以在 HTTP 标头中找到声明时，我是否应该忽略元标记，反之亦然？大多数网络浏览器会做什么？
问问题
3133 次
2 回答
11
要了解现代浏览器的功能，您应该从http://w3c.github.io/html/syntax.html#determining-the-character-encoding开始阅读
第一步和第二步与问题最相关。他们说
如果用户已明确指示用户代理使用特定编码覆盖文档的字符编码，则可选择返回具有确定置信度的编码并中止这些步骤。
如果传输层指定了一种编码，并且它是受支持的，则以一定的置信度返回该编码，并中止这些步骤。
这意味着真正的 HTTP 标头优先于除用户覆盖之外的所有内容。
除此之外，它可能会变得复杂。例如，字节顺序标记可以优先于元标记。
更新：由于编写了这个答案，规范发生了变化（大约在 2012 年年中），因此字节顺序标记现在优先于 HTTP 标头。
于 2011-08-18T07:04:40.990 回答
3
对此根本没有答案。该页面的作者通过提供相互矛盾的信息犯了错误。哪一个是正确的也可以通过抛硬币来决定。
一般来说，我更喜欢 HTTP 标头作为主要值。无论如何，元标记只是作为后备。如果您想遵循任何逻辑，首先尝试使用 HTTP 标头中指定的字符集对文档进行解码。如果这明显失败，因为某些字节在给定编码中无效，请在元标记中指定的字符集中重试（如果有）。如果仍然失败，则所有赌注都将取消。
如果两者都没有失败但编码冲突，要么涉及人，要么尝试对解码的文本进行一些静态分析，这可能会告诉你哪个更有可能是正确的。
于 2011-08-18T06:08:50.250 回答