UTF-8編碼中BOM的檢測與刪除

所謂BOM，全稱是Byte Order Mark，它是一個Unicode字符，一般出如今文本的開頭，用來標識字節序（Big/Little Endian），除此之外還能夠標識編碼（UTF-8/16/32），若是出如今文本中間，則解釋爲zero width no-break space。注：Unicode相關知識的詳細介紹請參考UTF-8, UTF-16, UTF-32 & BOM。對於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，換算成字節就是1/2/4字節，若是是多字節，就要牽扯到字節序，UTF-8以單字節爲編碼單位，因此不存在字節序。 UTF-8主要的優勢是能夠兼容ASCII，但若是使用BOM的話，這個好處就蕩然無存了，除此之外，BOM的存在還可能引起一些問題，好比下面錯誤便都有多是BOM致使的： html

Shell: 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，不妨先經過一個例子熱熱身： shell

shell> 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.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">\r$

如上所示，前三個字節分別是35七、27三、277，這就是八進制的BOM。 bash

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  |...<!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，前三個字節分別是EF、BB、BF，這就是十六進制的BOM。注：用到了第三方網站的頁面，不能保證例子始終可用。實際作項目開發時，可能會面對成百上千個文本文件，若是有幾個文件混入了BOM，那麼很難察覺，若是沒有帶BOM的UTF-8文本文件，能夠用vi杜撰幾個，相關命令以下： curl

設置UTF-8編碼： svn

:set fileencoding=utf-8

添加BOM：網站

:set bomb

刪除BOM：編碼

:set nobomb

查詢BOM： url

:set bomb?

如何檢測UTF-8編碼中的BOM呢？ spa

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

如何刪除UTF-8編碼中的BOM呢？ code

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

推薦：若是你使用SVN的話，能夠在pre-commit鉤子里加上相關代碼用以杜絕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

本文用到了不少shell命令，篇幅所限，恕不詳述，若是有不明白的就請本身搜索吧。