UTF-8 編碼中BOM的檢測與刪除

更新時間：2011年09月02日 13:29:40 作者：

所謂BOM，全稱是Byte Order Mark，它是一個Unicode字符，通常出現(xiàn)在文本的開頭，用來標識字節(jié)序（Big/Little Endian），除此以外還可以標識編碼（UTF-8/16/32），如果出現(xiàn)在文本中間，則解釋為zero width no-break space。

注：Unicode相關(guān)知識的詳細介紹請參考UTF-8, UTF-16, UTF-32 & BOM。

對于UTF-8/16/32而言，它們名字中的8/16/32指的是編碼單位是多少位的，也就是說，它們的編碼單位分別是8/16/32位，換算成字節(jié)就是1/2/4字節(jié)，如果是多字節(jié)，就要牽扯到字節(jié)序，UTF-8以單字節(jié)為編碼單位，所以不存在字節(jié)序。

UTF-8主要的優(yōu)點是可以兼容ASCII，但如果使用BOM的話，這個好處就蕩然無存了，除此以外，BOM的存在還可能引發(fā)一些問題，比如下面錯誤便都有可能是BOM導致的：

Shell: #!/bin/sh: No such file or directory
PHP: Warning: Cannot modify header information – headers already sent

在詳細討論UTF-8編碼中BOM的檢測與刪除問題前，不妨先通過一個例子熱熱身：

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，前三個字節(jié)分別是357、273、277，這就是八進制的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，前三個字節(jié)分別是EF、BB、BF，這就是十六進制的BOM。

注：用到了第三方網(wǎng)站的頁面，不能保證例子始終可用。

實際做項目開發(fā)時，可能會面對成百上千個文本文件，如果有幾個文件混入了BOM，那么很難察覺，如果沒有帶BOM的UTF-8文本文件例子，可以用vi杜撰幾個，相關(guān)命令如下：

#設(shè)置UTF-8編碼
:set fileencoding=utf-8
#添加BOM
:set bomb
#刪除BOM
:set nobomb
#查詢BOM
:set bomb?

如何檢測UTF-8編碼中的BOM呢？

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

如何刪除UTF-8編碼中的BOM呢？

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

推薦：如果你使用SVN的話，可以在pre-commit鉤子里加上相關(guān)代碼用以杜絕BOM。

復制代碼代碼如下:

 
#!/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，恕不詳述，如果有不明白的就請自己搜索吧。

您可能感興趣的文章: