Java处理带BOM的文本

admin 2015年07月15日 Java学习 655次阅读 查看评论


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 FAQEncodinghttp://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



« 上一篇 下一篇 » admin原创文章,转载请注明出处! 标签:Java处理BOM的文本bom

相关日志:

«   2019年7月   »
1234567
891011121314
15161718192021
22232425262728
293031
控制面板
您好,欢迎到访网站!
  [查看权限]
网站分类
文章归档
网站收藏
友情链接
图标汇集