Java处理带BOM的文本

原创作品，允许转载，转载时请务必以超链接形式标明文章 原始出处 、作者信息和本声明。否则将追究法律责任。http://lavasoft.blog.51cto.com/62575/331095

Java处理带BOM的文本

 

说起BOM，这个问题还比较麻烦，因为BOM不可见，但用程序做不同编码文本处理时候却常常需要考虑到BOM的问题。在此之前，先对BOM做个简单认识。

 

先看看带BOM的文件：

源文件：

 

16进制打开：

 

 

 

下面举个例子，针对UTF-8的文件BOM做个处理：

 

                String xmla = StringFileToolkit.file2String(new File("D:\\projects\\mailpost\\src\\a.xml"),"UTF-8"); 
                byte[] b = xmla.getBytes("UTF-8"); 
                String xml = new String(b,3,b.length-3,"UTF-8"); 
                Document doc1 = DocumentHelper.parseText(xml); 
                Element e1 = (Element)doc1.selectSingleNode("/ResponseData/Body/RetDesc"); 
                Element e2 = (Element)doc1.selectSingleNode("/ResponseData/Head/RespID"); 
                Element e3 = (Element)doc1.selectSingleNode("/ResponseData/Body/RetCode"); 
                Element e4 = (Element)doc1.selectSingleNode("/ResponseData/Body/RetDesc"); 

 

思路是：先按照UTF-8编码读取文件后，跳过前三个字符，重新构建一个新的字符串，然后用Dom4j解析处理，这样就不会报错了。

 

其他编码的方式处理思路类似，其实可以写一个通用的自动识别的BOM的工具，去掉BOM信息，返回字符串。

不过这个处理过程已经有牛人解决过了：http://koti.mbnet.fi/akini/java/unicodereader/

 

-------------------------------------------------一下引用了百科

什么是BOM

BOM（byte-order mark），即字节顺序标记，它是插入到以UTF-8、UTF16或UTF-32编码Unicode文件开头的特殊标记，用来识别Unicode文件的编码类型。对于UTF-8来说，BOM并不是必须的，因为BOM用来标记多字节编码文件的编码类型和字节顺序（big-endian或little-endian）。

在绝大多数编辑器中都看不到BOM字符，因为它们能理解Unicode，去掉了读取器看不到的题头信息。若要查看某个Unicode文件是否以BOM开头，可以使用十六进制编辑器。下表列出了不同编码所对应的BOM。

BOM

Encoding

EF BB BF

UTF-8

FE FF

UTF-16 (big-endian)

FF FE

UTF-16 (little-endian)

00 00 FE FF

UTF-32 (big-endian)

FF FE 00 00

UTF-32 (little-endian)

BOM的来历

为了识别 Unicode 文件，Microsoft 建议所有的 Unicode 文件应该以 ZERO WIDTH NOBREAK SPACE（U+FEFF）字符开头。这作为一个“特征符”或“字节顺序标记（byte-order mark，BOM）”来识别文件中使用的编码和字节顺序。

不同的系统对BOM的支持

因为一些系统或程序不支持BOM，因此带有BOM的Unicode文件有时会带来一些问题。

1.        JDK1.5以及之前的Reader都不能处理带有BOM的UTF-8编码的文件，解析这种格式的xml文件时，会抛出异常：Content is not allowed in prolog.

2.        Linux/UNIX 并没有使用 BOM，因为它会破坏现有的 ASCII 文件的语法约定。

不同的编辑工具对BOM的处理也各不相同。使用Windows自带的记事本将文件保存为UTF-8编码的时候，记事本会自动在文件开头插入BOM（虽然BOM对UTF-8来说并不是必须的），但是editplus就不会这样做。

BOM与XML

XML解析读取XML文档时，W3C定义了3条规则：

1.        如果文档中有BOM，就定义了文件编码；

2.        如果文档中没有BOM，就查看XML声明中的编码属性；

3.        如果上述两者都没有，就假定XML文档采用UTF-8编码。

参考资料：

1.        UTF-8, UTF-16, UTF-32 & BOM：http://www.unicode.org/faq/utf_bom.html#BOM

2.        XML FAQ：Encoding：http://www.opentag.com/xfaq_enc.htm

3.        Linux Unicode 编程：http://www.ibm.com/developerworks/cn/linux/i18n/unicode/linuni/

 

http://bugs.sun.com/bugdatabase/view_bug.do?bug_id=4508058

http://koti.mbnet.fi/akini/java/java_utf8_xml/

http://koti.mbnet.fi/akini/java/unicodereader/

http://www.unicode.org/faq/utf_bom.html

 

 

本文出自 “熔 岩” 博客，请务必保留此出处http://lavasoft.blog.51cto.com/62575/331095