【转】UTF-8文件的Unicode签名BOM(Byte Order Mark)问题

最近在接招聘的PHP的网站,用utf8编码,经常调用header方法遇到http头已经发送的问题,头疼不解。

每次都是需要通过UltraEdit把文件另存为utf-8无BOM才行,在网上搜索了一下,找到原因所在:

 

经常遇到的问题是,使用了BOM编码后,脚本执行错误,或使用fileStream读取并转换为XML会报错"The 
markup in the document following the root element must be well-formed."。
一、介绍
UTF-8 是一种在web应用中经常使用的一种 Unicode 字符的编码方式,使用 UTF-8 的好处在于它是一种变长的编码方式,对于 ANSII 码编码长度为1个字节,这样的话在传输大量 ASCII 字符集的网页时,可以大量节约网络带宽。
UTF-8签名(UTF-8 signature)也叫做BOM(Byte Order Mark),是UTF编码方案里用于标识编码的标准标记。BOM,是UTF编码方案里用于标识编码的标准标记,在UTF-16里本来是FF FE,变成UTF-8就成了EF BB 
BF。这个标记是可选的,因为UTF8字节没有顺序,所以它可以被用来检测一个字节流是否是UTF-8编码的。微软做这种检测,但有些软件不做这种检测,而把它当作正常字符处理。微软在自己的UTF-8格式的文本文件之前加上了EF BB BF三个字节, windows上面的notepad等程序就是根据这三个字节来确定一个文本文件是ASCII的还是UTF-8的, 然而这个只是微软暗自作的标记, 其它平台上并没有对UTF-8文本文件做个这样的标记。也就是说一个UTF-8文件可能有BOM,也可能没有BOM。只有一个BOM,是不会有问题的。如果多个文件设置了签名,在二进制流中就会包含多个UTF-8签名,也就是导致XML转换失败的"root 
element must be well-formed"原因。
二、查看和转换
既然一个UTF-8文件可能有BOM,也可能没有,那该如何区分呢?只要用带十六进制编辑方式的软件,例如,用UltraEdit-32打开文件,切换到十六进制编辑模式,察看文件头部是否有EF BB BF。有,则为带BOM方式。
Windows自带的notepad记事本,保存为UTF-8时,默认就带BOM。转换的方法有很多,常见的UltraEdit-32或NotePad++都可以,以UltraEdit-32为例。打开文件后,选择"另存为",在"格式"一栏中有如下选择:
另外,DreamWeaver CS3也有类似的选项,在"首选项"中,如果选择 Unicode (UTF-8) 作为默认编码,则可以选择"包括 Unicode 签名 (BOM)"选项,以在文档中包括字节顺序标记 (BOM)。否则,不带BOM:
三、其他知识
所谓的unicode保存的文件实际上是utf-16,只不过恰好跟unicode的码相同而已,但在概念上unicode与utf是两回事,unicode是内存编码表示方案,而utf是如何保存和传输unicode的方案。utf-16还分高位在前(LE)和高位在后(BE)两种。官方的utf编码还有utf-32,也分LE和BE。非unicode官方的utf编码还有utf-7,主要用于邮件传输。utf-8的单字节部分是和iso-8859-1兼容的,这主要是一些旧的系统和库函数不能正确处理utf-16而被迫出来的,而且对英语字符来说,也节省保存的文件空间(以非英语字符浪费空间为代价)。在iso-8859-1的时候,utf8和iso-8859-1都是用一个字节表示的,当表示其它字符的时候,utf-8会使用两个或三个字节。
一段关于BOM的更详细说明,来自这里:在UCS 编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"的字符,它的编码是FEFF。而FFFE在UCS中是不存在的字符,所以不应该出现在实际传输中。UCS规范建议我们在传输字节流前,先传输字符"ZERO WIDTH NO-BREAK SPACE"。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"ZERO WIDTH NO-BREAK SPACE"又被称作BOM。UTF-8不需要BOM来表明字节顺序,但可以用BOM来表明编码方式。字符"ZERO WIDTH NO-BREAK SPACE"的UTF-8编码是EF BB BF。所以如果接收者收到以EF BB BF开头的字节流,就知道这是UTF-8编码了。
Windows就是使用BOM来标记文本文件的编码方式的。
PHP也不支持BOM。
PHP在设计时就没有考虑BOM的问题,也就是说他不会忽略UTF-8编码的文件开头BOM的那三个字符。由于必须在

 

又找到一个PHP的脚本,自动寻找包含BOM的UTF-8文件并删除,感谢作者,我修改了下

 

set_time_limit(0);
class Jo_Dir {
    public $__dirs = array();

    public function __construct($path) {
        if (!is_readable($path)) {
            throw new Exception("path not found {$path}");
        }

        $this->__dirs[0] = $path;
    }

    protected function _file($file)
    {}
    
    public function run() {
        $i = 0;

        while (true) {
           if (!isset($this->__dirs[$i])) {
                break;
           }

            $this->_fetch($i);
            $i += 1;
        }
    }

    protected function _fetch($i) {
        $dh   = opendir($this->__dirs[$i]);
        $file = null;

        while (false !== ($file = readdir($dh))) {
            if ($file != '.' && $file != "..") {
                $file = $this->__dirs[$i] . '/' . $file;

                if (is_dir($file)) {
                		echo "finding in directory ".$file."
"; $this->__dirs[] = $file; } else { $this->_file($file); } } } closedir($dh); } } /** * 取得文件夹内所有的文件 */ class My_Dir extends Jo_Dir { protected function _file($file) { $ret = checkBOM($file); if(strpos($ret,'BOM found') && !strpos($file,'.svn')) { echo "filename: $file ". $ret ."
"; } } } function checkBOM ($filename) { global $auto; $contents=file_get_contents($filename); $charset[1]=substr($contents, 0, 1); $charset[2]=substr($contents, 1, 1); $charset[3]=substr($contents, 2, 1); if (ord($charset[1])==239 && ord($charset[2])==187 && ord($charset[3])==191) { if ($auto==1) { $rest=substr($contents, 3); rewrite ($filename, $rest); checkBOM ($filename); return ("BOM found, automatically removed."); } else { return ("BOM found."); } } else return ("BOM Not Found."); } function rewrite ($filename, $data) { $filenum=fopen($filename,"w"); flock($filenum,LOCK_EX); fwrite($filenum,$data); fclose($filenum); } $dir = new My_Dir("."); $basedir="."; //修改此行为需要检测的目录,点表示当前目录 $auto=1; //是否自动移除发现的BOM信息。1为是,0为否。 $dir->run();

你可能感兴趣的:(【转】UTF-8文件的Unicode签名BOM(Byte Order Mark)问题)