Deppenfrage: Wie sieht UTF-8 aus?

[OregonGhost]

Oh, bei der Gelegenheit noch etwas zu meinen XML-Erfahrungen mit .NET: Ich musste noch nie irgendwo ein BOM wegschnippeln. Das BOM sagt dem Parser eigentlich, dass die Datei UTF-8-kodiert ist. Das encoding im XML-Header sagt glaube ich, dass das XML auch UTF-8-kodiert ist, und das sind zwei Dinge, die nicht direkt etwas miteinander zu tun haben (nein, frag bitte nicht, warum). Im Normalfall sollte es keine Probleme geben, die Dateien als UTF-8 zu lesen und zu schreiben.

Zitat:

Wenn ich den Beispielcode ausführe (mit dem Umlaute-XML im CONST, also eigentlich *kein* UTF-8 ), dann liest LoadXMLData die Umlaute trotzdem ein, obwohl Umlaute ja eigentlich nach UTF-8 kodiert sein müssten. Na gut, mir egal, geht ja so. Aber jetzt:

Wenn es im Quellcode im const-Bereich steht, ist es doch Unicode, weil die .NET-Compiler Unicode verarbeiten, oder?

[alzaimar]

Zitat von OregonGhost:

Ich musste noch nie irgendwo ein BOM wegschnippeln. Das BOM sagt dem Parser eigentlich, dass die Datei UTF-8-kodiert ist. Das encoding im XML-Header sagt glaube ich, dass das XML auch UTF-8-kodiert ist, und das sind zwei Dinge, die nicht direkt etwas miteinander zu tun haben (nein, frag bitte nicht, warum). Im Normalfall sollte es keine Probleme geben, die Dateien als UTF-8 zu lesen und zu schreiben.

Kann ich schon verstehen, denn das BOM würde dem Parser mitteilen, erstmal alles zu dekodieren und das 'encoding=UTF-8' bedeutet, das die Daten UTF-8 kodiert sind...

Nur, wenn ich den BOM nicht wegschnipple, dann ....

Zitat von Das Exception-Fenster:

The data at the root level is invalid. Line 1, position 1, Zeile:1

[OregonGhost]

Hmm, konnte man beim XmlReader nicht ein Encoding angeben? Auch automatische Bestimmung oder so?

[Bernhard Geyer]

Zitat von alzaimar:

Nur, wenn ich den BOM nicht wegschnipple, dann ....

Zitat von Das Exception-Fenster:

The data at the root level is invalid. Line 1, position 1, Zeile:1

Der BOM gehöhrt ja auch nicht zum XML-Definierten Bereich deiner Datei und ist primär auch nur eine MS-Ausgeburt.
Ein Parser arbeitet ja grundsätzlich erst mal mit Stream. Und die ersten Bytes die er vorgesetzt bekommen muß sind <?xml version="1.0". Wenn Du nun einen BOM in deiner Datei hast so muß entweder dein Parser dies berücksichtigen das hier noch 3 Bytes kommen wenn die Datei mit diversen MS-Tools (Notepad) bearbeitet wurde und sie ignorieren denn nach XML beginnt ja erst mit der coding-Angabe wie die Datei interpretiert werden muss. Und wenn der BOM vorhanden ist müßten die Datei erstmal komplett "ent-utf8" werden um dann den Ergebnisstream dem Parser zu übergeben.

Ich hab mal ein paar Dateien angehängt. Einfach mal z.B. mit IE6/7, Firefox, MS Notepad 2007, ... ausprobieren. Da kann man nur sagen: Danke, Microsoft.

[Muetze1]

BOM bei UTF-8 ist keine Pflicht. Also nichts mit unbedingt 3 Bytes mehr...

[Bernhard Geyer]

Noch ein Anhang: Unicode-Codierte speicherung einer UTF8-XML-Datei

[Edit]Noch ein paar Beispiele angehängt[/Edit]

[Muetze1]

Das ist Unicode bzw. UTF-16 und kein UTF-8 (es steht zwar so im XML Header, aber hier sind es 2 Bytes pro Char-Entry)