UTF-8 编码中BOM的检测与删除
程序员文章站
2023-10-30 15:40:16
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...
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：
shell> curl -s http://phone.jb51.net/ | 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。
shell> curl -s http://phone.jb51.net/ | 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用以杜绝bom。
#!/bin/sh
repos="$1"
txn="$2"
svnlook=/usr/bin/svnlook
files=`$svnlook changed -t "$txn" "$repos" | awk '/^[ua]/ {print $2}'`
for file in $files; do
if $svnlook cat -t "$txn" "$repos" "$file" | grep -q $'^\xef\xbb\xbf'; then
echo "byte order mark be found in $file" 1>&2
exit 1
fi
done
本文用到了很多shell命令，篇幅所限，恕不详述，如果有不明白的就请自己搜索吧。
对于utf-8/16/32而言，它们名字中的8/16/32指的是编码单位是多少位的，也就是说，它们的编码单位分别是8/16/32位，换算成字节就是1/2/4字节，如果是多字节，就要牵扯到字节序，utf-8以单字节为编码单位，所以不存在字节序。
utf-8主要的优点是可以兼容ascii，但如果使用bom的话，这个好处就荡然无存了，除此以外，bom的存在还可能引发一些问题，比如下面错误便都有可能是bom导致的：
shell: #!/bin/sh: no such file or directory
php: warning: cannot modify header information – headers already sent
在详细讨论utf-8编码中bom的检测与删除问题前，不妨先通过一个例子热热身：
shell> curl -s http://phone.jb51.net/ | head -1 | sed -n l
\357\273\277<!doctype html public "-//w3c//dtd xhtml 1.0 transitional\
//en" "http://www.w3.org/tr/xhtml1/dtd/xhtml1-transitional.dtd">\r$
如上所示，前三个字节分别是357、273、277，这就是八进制的bom。
shell> curl -s http://phone.jb51.net/ | 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用以杜绝bom。
复制代码 代码如下:
#!/bin/sh
repos="$1"
txn="$2"
svnlook=/usr/bin/svnlook
files=`$svnlook changed -t "$txn" "$repos" | awk '/^[ua]/ {print $2}'`
for file in $files; 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
本文用到了很多shell命令，篇幅所限，恕不详述，如果有不明白的就请自己搜索吧。
推荐阅读
-
UTF-8 编码中BOM的检测与删除
-
ASP中Utf-8与Gb2312编码转换乱码问题的解决方法 页面编码声明
-
html - mysql中的这个utf8_general_ci是否就对应php文档的UTF-8 是否就是文件格式的utf-8无BOM编码?
-
检测与删除页面BOM(UTF-8)空行方法
-
UTF-8 编码中BOM的检测与删除
-
检测与删除页面BOM(UTF-8)空行方法_PHP教程
-
PHP中检测文件是否为UTF-8编码的函数
-
有关UTF-8 编码中BOM的检测与删除
-
ASP中Utf-8与Gb2312编码转换乱码问题的解决方法 页面编码声明
-
检测与删除页面BOM(UTF-8)空行方法_PHP教程