UTF-8编码文件BOM头的检测与删除
2011 年 5 月 25 日 Fising PHP, Unix/Linux, 0
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：
|
|
<span style="font-family: monospace;"> <pre class="brush:plain"># 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./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 |
|
