UTF-8编码中BOM的检测与删除

转自：http://huoding.com/2011/05/14/78

UTF-8编码中BOM的检测与删除

1、BOM简介

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

2、BOM例子

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：

（1）shell> curl -s http://phone.10086.cn/ | head -1 | sed -n l

\357\273\277 //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。

（2）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 |… 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，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?

3、BOM检测

如何检测UTF-8编码中的BOM呢？

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

4、BOM删除

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/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。