首選HTML元標記或HTTP標頭中的字符集聲明？

Question

我正在解析很多網站。 一切正常，我正在讀取轉換編碼的字符集聲明。 現在我遇到了http://celleheute.de/sonntagsfuhrung-3/的問題。

HTML元標記說，內容編碼為ISO-8859-2，但HTTP標頭說，它是UTF-8。 實際上，內容是UTF編碼的，所以當我的解析器嘗試將內容轉換為ISO時，它會破壞一些字符。

現在我的問題是，我更喜歡哪種聲明？ 我可以忽略元標記，當我可以在HTTP標頭中找到聲明，反之亦然？ 大多數網絡瀏覽器會做什么？

Answer 1

要了解現代瀏覽器的作用，您應該從http://w3c.github.io/html/syntax.html#determining-the-character-encoding開始閱讀

第一步和第二步與問題最相關。 他們說

1. 如果用戶已明確指示用戶代理使用特定編碼覆蓋文檔的字符編碼，則可選擇以確定的置信度返回該編碼並中止這些步驟。

2. 如果傳輸層指定了編碼，並且受支持，則返回具有置信度的編碼，並中止這些步驟。

這意味着真正的HTTP標頭優先於除用戶覆蓋之外的所有內容。

除此之外，它可能變得復雜。 例如，字節順序標記可以優先於元標記。

---

更新：由於編寫了這個答案，規范發生了變化（大約在2012年中期），因此字節順序標記現在優先於HTTP標頭。

Answer 2

根本沒有答案。 該頁面的作者通過提供有沖突的信息來提交錯誤。 哪一個是正確的也可以通過拋硬幣來決定。

一般來說，我更喜歡HTTP標頭作為主要值。 無論如何，元標記只是一個后備。 如果您想要遵循任何邏輯，首先嘗試使用HTTP標頭中指定的字符集解碼文檔。 如果這顯然失敗，因為某些字節在給定編碼中無效，請再次嘗試在元標記中指定的字符集中（如果有）。 如果仍然失敗，所有投注都將被取消。

如果兩者都沒有失敗但是編碼沖突，要么涉及人類，要么對解碼后的文本進行一些靜態分析，這可能會告訴您哪種更可能是正確的。