WEB开发网
开发学院软件开发Java Java处理带BOM的文本 阅读

Java处理带BOM的文本

 2010-07-15 00:00:00 来源:WEB开发网   
核心提示:说起BOM,这个问题还比较麻烦,Java处理带BOM的文本,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,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,在此之前,先对BOM做个简单认识

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:

Java处理带BOM的文本

16进制打开:

Java处理带BOM的文本

查看原图(大图)

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/

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。

出处http://lavasoft.blog.51cto.com/62575/331095

Tags:Java 处理 BOM

编辑录入:爽爽 [复制链接] [打 印]
赞助商链接