UTF-8编码中BOM的检测与删除

最新推荐文章于 2020-12-29 10:39:15 发布

转载最新推荐文章于 2020-12-29 10:39:15 发布 · 1.2k 阅读

文章标签：

#xhtml #shell #file #byte #header #c

闲谈同时被 2 个专栏收录

97 篇文章

订阅专栏

网络应用

89 篇文章

订阅专栏

本文探讨了BOM（Byte Order Mark）在UTF-8编码中的作用及其可能导致的问题，并提供了检测与删除BOM的方法。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

转载自：http://huoding.com/2011/05/14/78

所谓BOM，全称是Byte Order Mark ，它是一个Unicode字符，通常出现在文本的开头，用来标识字节序（Big/Little Endian），除此以外还可以标识编码（UTF-8/16/32），如果出现在文本中间，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，如果是多字节，就要牵扯到字节序，UTF-8以单字节为编码单位，所以不存在字节序。

UTF-8主要的优点是可以兼容ASCII，但如果使用BOM的话，这个好处就荡然无存了，除此以外，BOM的存在还可能引发一些问题，比如下面错误便都有可能是BOM导致的：

Shell: #!/bin/sh: 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，不妨先通过一个例子热热身：

# 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357、273、277，这就是八进制的BOM。

# curl -s http://phone.10086.cn/ | head -1 | xxd 0000000: efbb bf3c 2144 4f43 5459 5045 2068 746d ...<!DOCTYPE htm 0000010: 6c20 5055 424c 4943 2022 2d2f 2f57 3343 l PUBLIC "-//W3C 0000020: 2f2f 4454 4420 5848 544d 4c20 312e 3020 //DTD XHTML 1.0 0000030: 5472 616e 7369 7469 6f6e 616c 2f2f 454e Transitional//EN 0000040: 2220 2268 7474 703a 2f2f 7777 772e 7733 " "http://www.w3 0000050: 2e6f 7267 2f54 522f 7868 746d 6c31 2f44 .org/TR/xhtml1/D 0000060: 5444 2f78 6874 6d6c 312d 7472 616e 7369 TD/xhtml1-transi 0000070: 7469 6f6e 616c 2e64 7464 223e 0d0a 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。

实际做项目开发时，可能会面对成百上千个文本文件，如果有几个文件混入了BOM，那么很难察觉，如果没有带BOM的UTF-8文本文件例子，可以用vi杜撰几个，相关命令如下：

#设置UTF-8编码 :set fileencoding=utf-8 #添加BOM :set bomb #删除BOM :set nobomb #查询BOM :set bomb?

如何检测UTF-8编码中的BOM呢？

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

如何删除UTF-8编码中的BOM呢？

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

推荐：如果你使用SVN的话，可以在pre-commit钩子里加上相关代码，从源头杜绝BOM。

#!/bin/sh REPOS="$1" TXN="$2" SVNLOOK=/usr/bin/svnlook FILES=`$SVNLOOK changed -t "$TXN" "$REPOS" | awk {'print $2'}` for FILE in $FILES; do if $SVNLOOK cat -t "$TXN" "$REPOS" "$FILE" | grep -q $'^/xEF/xBB/xBF'; then echo "Byte Order Mark found in $FILE" 1>&2 exit 1 fi done