在处理分词结果时,遇到了前导zwnbsp字符,记录一下处理方法。
Q1:什么是ZWNBSP?
A1:UTF-8有一个BOM(Byte Order Mark)的问题。
在Unicode编码中有一个叫做"zero-width no-break space (ZWNBSP)"的字符,它的编码是0xFEFF。而0xFEFF在是一个实际中不存在的字符,所以不应该出现在实际传输中。UCSUCS (Unicode Character Set) 规范建议我们在传输字节流前,先传输字符"ZWNBSP"。这样如果接收者收到FEFF,就表明这个字节流是Big-Endian的;如果收到FFFE,就表明这个字节流是Little- Endian的。因此字符"ZWNBSP"又被称作BOM。
Q2:怎么防止过滤ZWNBSP字符?
A2:首先来看一下为什么会出现ZWNBSP字符。当我们用记事本保存一个文本文件时,我们可以看到可选编码有下图几种,其中,就有「UTF-8」和「带 BOM 的 UTF-8」,而二者的区别就是的区别就是有没有 BOM,即文件开头有没有 \UFEFF。
而这,正是ZWNBSP字符出现的原因。
ZWNBSP字符往往会出现在字符串首字符,所以,在处理时也不难:
final String UTF8_BOM = "\uFEFF";
if (s.startsWith(UTF8_BOM)) {
s = s.substring(1);
}
参考文献
最后,码一下常见编码总结备不时之需。
2021年2月3日22点42分