首选HTML元标记或HTTP标头中的字符集声明？

Question

我正在解析很多网站。 一切正常，我正在读取转换编码的字符集声明。 现在我遇到了http://celleheute.de/sonntagsfuhrung-3/的问题。

HTML元标记说，内容编码为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，我更喜欢哪种声明？ 我可以忽略元标记，当我可以在HTTP标头中找到声明，反之亦然？ 大多数网络浏览器会做什么？

Answer 1

要了解现代浏览器的作用，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

1. 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，则可选择以确定的置信度返回该编码并中止这些步骤。

2. 如果传输层指定了编码，并且受支持，则返回具有置信度的编码，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年中期），因此字节顺序标记现在优先于HTTP标头。

Answer 2

根本没有答案。 该页面的作者通过提供有冲突的信息来提交错误。 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，元标记只是一个后备。 如果您想要遵循任何逻辑，首先尝试使用HTTP标头中指定的字符集解码文档。 如果这显然失败，因为某些字节在给定编码中无效，请再次尝试在元标记中指定的字符集中（如果有）。 如果仍然失败，所有投注都将被取消。

如果两者都没有失败但是编码冲突，要么涉及人类，要么对解码后的文本进行一些静态分析，这可能会告诉您哪种更可能是正确的。