UTF-8编码中BOM的检测与删除

时间 2019-11-21

原文原文链接

所谓BOM，全称是Byte Order Mark，它是一个Unicode字符，一般出如今文本的开头，用来标识字节序（Big/Little Endian），除此之外还能够标识编码（UTF-8/16/32），若是出如今文本中间，则解释为zero width no-break space。注：Unicode相关知识的详细介绍请参考UTF-8, UTF-16, UTF-32 & BOM。对于UTF-8/16/32而言，它们名字中的8/16/32指的是编码单位是多少位的，也就是说，它们的编码单位分别是8/16/32位，换算成字节就是1/2/4字节，若是是多字节，就要牵扯到字节序，UTF-8以单字节为编码单位，因此不存在字节序。 UTF-8主要的优势是能够兼容ASCII，但若是使用BOM的话，这个好处就荡然无存了，除此之外，BOM的存在还可能引起一些问题，好比下面错误便都有多是BOM致使的：html

Shell: No such file or directory
PHP: Warning: Cannot modify header information – headers already sent

在详细讨论UTF-8编码中BOM的检测与删除问题前，不妨先经过一个例子热热身：python

shell> curl -s http://phone.10086.cn/ | head -1 | sed -n l
\357\273\277<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional\
//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">\r$

如上所示，前三个字节分别是35七、27三、277，这就是八进制的BOM。shell

shell> curl -s http://phone.10086.cn/ | head -1 | hexdump -C
00000000  ef bb bf 3c 21 44 4f 43  54 59 50 45 20 68 74 6d  |...<!DOCTYPE htm|
00000010  6c 20 50 55 42 4c 49 43  20 22 2d 2f 2f 57 33 43  |l PUBLIC "-//W3C|
00000020  2f 2f 44 54 44 20 58 48  54 4d 4c 20 31 2e 30 20  |//DTD XHTML 1.0 |
00000030  54 72 61 6e 73 69 74 69  6f 6e 61 6c 2f 2f 45 4e  |Transitional//EN|
00000040  22 20 22 68 74 74 70 3a  2f 2f 77 77 77 2e 77 33  |" "http://www.w3|
00000050  2e 6f 72 67 2f 54 52 2f  78 68 74 6d 6c 31 2f 44  |.org/TR/xhtml1/D|
00000060  54 44 2f 78 68 74 6d 6c  31 2d 74 72 61 6e 73 69  |TD/xhtml1-transi|
00000070  74 69 6f 6e 61 6c 2e 64  74 64 22 3e 0d 0a        |tional.dtd">..|

如上所示，前三个字节分别是EF、BB、BF，这就是十六进制的BOM。注：用到了第三方网站的页面，不能保证例子始终可用。实际作项目开发时，可能会面对成百上千个文本文件，若是有几个文件混入了BOM，那么很难察觉，若是没有带BOM的UTF-8文本文件，能够用vi杜撰几个，相关命令以下：bash

设置UTF-8编码：curl

:set fileencoding=utf-8

添加BOM：svn

:set bomb

删除BOM：网站

:set nobomb

查询BOM：编码

:set bomb?

如何检测UTF-8编码中的BOM呢？url

shell> grep -r -I -l $'^\xEF\xBB\xBF' /path

如何删除UTF-8编码中的BOM呢？spa

shell> grep -r -I -l $'^\xEF\xBB\xBF' /path | xargs sed -i 's/^\xEF\xBB\xBF//;q'

推荐：若是你使用SVN的话，能够在pre-commit钩子里加上相关代码用以杜绝BOM。

#!/bin/bash

REPOS="$1"
TXN="$2"

SVNLOOK=/usr/bin/svnlook

for FILE in $($SVNLOOK changed -t "$TXN" "$REPOS" | awk '/^[AU]/ {print $NF}'); do
    if $SVNLOOK cat -t "$TXN" "$REPOS" "$FILE" | grep -q $'^\xEF\xBB\xBF'; then
        echo "Byte Order Mark be found in $FILE" 1>&2
        exit 1
    fi
done

本文用到了不少shell命令，篇幅所限，恕不详述，若是有不明白的就请本身搜索吧。

PS：一些其余的命令行：

awk '{if(NR==1)sub(/^\xef\xbb\xbf/,"");print}' text.txt

tail --bytes=+4 text.txt

tail -c +4 UTF8 > UTF8.nobom

另外两个 python utf-8 BOM 编码异常的案例分享：

http://hi.baidu.com/leejun_2005/item/bf28ded296cb8ebf33db9096

http://hi.baidu.com/leejun_2005/item/8c8855757225835b0d0a0780