1.分析器工具
現(xiàn)有的分析器種類有上百種，但常用的是兩個標準的工具庫，一個是XML簡單API(SAX，Simple API for XML)和文檔對象模型(DOC，Document Object Model)。SAX是事件驅動分析器的標準，而DOM是基于樹的分析器標準。另外，Expat雖然不是標準，但它是腳本語言中處理XML時最常用的分析器。Expat由James Clark編寫，是事件驅動分析器。
本文由武林網(wǎng)（http://www.49028c.com）整理發(fā)布！轉載請注明出處，謝謝！

2.Unicode
計算機并不能正真理解文本內(nèi)容，它無法識別諸如a,b,c這類的字母，更不用說中文了。計算機所能理解的只有數(shù)字，如60，80等。字符集(character set)規(guī)定了字母到數(shù)字的映射關系，如65代表大寫字母A。65稱為碼點(code point)，字符編碼(character encoding)決定碼點如何用字節(jié)表示。是用多了節(jié)還是單字節(jié)，高字節(jié)位表示什么，低字節(jié)位表示什么。
不同國家使用不同的語言，不同程序使用不同的編碼規(guī)范，在進行世界范圍內(nèi)的數(shù)據(jù)交換就要統(tǒng)一表示數(shù)據(jù)的字符編碼規(guī)范。傳統(tǒng)的ASCII字符集只定義了127個字符，其中前31個是控制符。127位之后的字符隨平臺不同而不同。大多數(shù)平臺只能表示前127位，單字節(jié)(8位)，使得字符集中最多只能提供256個字符。這些標準字符稱為羅馬或拉丁字符集，用ASCII來表示中文、日文是遠遠不夠的。
為了解決字符集問題，出現(xiàn)了Unicode字符集。它可用多字節(jié)格式編碼字符，目前標準允許2字節(jié)字符，支持65536個不同字符。標準的Unicode字符集為Latin-1(或ISO-8859-1)。有關Unicode的介紹可訪問Unicode的官方網(wǎng)站：http://www.unicode.org
Unicode字符集為字符分配碼點，即編號。這些編號可以用多種模式編碼，如UCS-2、UCS-4、UTF-8、UTF-16。

UCS-2，也叫ISO-10646-UCS-2。每個字符用一個0~65535之間的兩個字節(jié)的無符號整數(shù)表示。如A的Unicode碼點為65，用兩個字節(jié)00和41(十六進制)表示。B的Unicode碼點為66，用兩個字節(jié)00和42表示。UCS-2有兩種形式：高字節(jié)(#x0041)在前和低字節(jié)(#x4100)在前。為區(qū)發(fā)高低位不同表示形式，采用UCS-2編碼文檔通常以Unicode字符#xFEFF(零寬度無間斷空格)開頭，一般稱為字節(jié)順序標記(byte order mark)。這個字符是不可見的。如果兩個字節(jié)交換位置，得到的字符#xFFFE實際是不存在的。因此中通過查看UCS-2文檔的前兩個字符是#xFEFF還是#xFFFE，就可確定該文檔是否是高字節(jié)在前。UCS-2的缺點：如果文本字符主要是拉丁文，由于采用兩個字節(jié)，字符集編碼是單字節(jié)字符編碼的兩倍；UCS-2不能與ASCII向前或向后兼容，用于單字節(jié)字符集的工具常常不適用于處理UCS-2編碼文件。
UTF-8是一種可這長度的Unicode編碼。0~127為ASCII碼字符集，與ASCII編碼完全兼容，每個字符采用一個字節(jié)編碼。UTF-8用兩個字節(jié)表示128~2047，該范圍覆蓋了最常見的非表意字母。其余的字符，主要來自漢語、日語和韓語，每個都用3個字節(jié)表示。如果Unicode的碼點超過65535個字符，那么這些字符就會用4個字節(jié)編碼。對于以拉丁文為主的文件，使用UTF-8比UCS-2可減少一半的文件大小。對于漢語、日語和韓語的文件，其大小會增加百分之五十。對于其它語言，文件大小相差不大。UTF-8是最常用的Unicode編碼方式。
在Unicode流行以前，出現(xiàn)了一系列處理特定語言的單字節(jié)字符集，ISO將14種這樣的字符集標準化成ISO 8859標準，分別是ISO-8859-1~14。ISO-8859-15是ISO-8859-1的修訂版本。這些字符集統(tǒng)稱ISO字符集。
Cp1252是依賴于Windows平臺的一種編碼，是Windows的缺省字符集。該種編碼不支持跨平臺特性，盡量不要使用。
MacRoman是Mac OS使用的一種非標準、單字節(jié)編碼。在非Mac平臺下使用也會有問題，盡量不要使用。
本文由武林網(wǎng)（http://www.49028c.com）整理發(fā)布！轉載請注明出處，謝謝！
在XML文檔中，如果需輸入編輯器不支持的字符，我們可用字符引用的方式，以十進制或十六進制給出它所代表的Unicode字符編號，如њ(十進制)或者&#x45A(十六進制)。字符引用可用于元素內(nèi)容、屬性和注釋，不能用于元素名和屬性名、處理指令或XML關鍵字。如果有一些字符需經(jīng)常使用，則我們可為這些字符定義實體，這樣，在文檔中就可方便地引用該實體了。專門定義字符實體的DTD我們可獨立出來，形成以.ent為后綴的外部DTD。在需要時使用外部參數(shù)實體引用將這些定義引入文檔的DTD中。
XHTML 1.0 DTD包含有三個有用的字符引用實體可在文檔中使用。

Latin-1字符，http://www.w3.org/TR/xhtml1/DTD/xhtml-lat1.ent
ISO-8859-1中自160以上的非ASCII碼字符。
特殊字符，http://www.w3.org/TR/xhtml/DTD/xhtml-special.ent
ISO-8859-2中不在Latin-1中的字母。
標點符號，http://www.w3.org/TR/xhtml-symbol.ent
希臘字母表(不包含帶重音的字符)和各種標點符號、數(shù)學運算符及其他數(shù)學中常用的符號。
在XML文檔中可以使用xml:lang屬性規(guī)定元素內(nèi)容采用的語言。這樣就可在一篇文檔中同時使用多種語言，這是XML跨平臺和跨語言的重要特性之一。如：xml:lang="CN-CHN"。語言代碼是一個兩個字母的語言代碼，語言代碼后還可跟一個子代碼，語言代碼可在這里找到http://ftp.ics.uci.edu/pub/ietf/http/related/iso3166.txt。下面是xml:lang屬性聲明的示例：
<!ELEMENT test (#PCDATA)><!ATTLIST test xml:lang NMTOKEN #IMPLIED>
由于所有語言代碼都是有效的XML名稱標記，所以使用NMTOKEN類型。