如何从Java中的XML文件中删除BOM

Question

我需要有关从UTF-8文件删除BOM并创建其余xml文件的副本的方法的建议。

Answer 1

有因为在UTF-8文件中的BOM的工具断裂是一个 非常
以我的经验平常的事。我不知道为什么会有这么多的否决票（但是这给了我机会去尝试赢得足够的选票来赢得特殊的SO徽章；）

更严重的是：UTF-8 BOM通常没有太大意义， 但
在规格上完全有效（尽管不建议使用）。现在的问题是，很多人不知道BOM在UTF-8中是有效的，因此编写了损坏的工具/ API，无法正确处理这些文件。

现在，您可能遇到两个不同的问题：您可能想从Java处理文件，或者需要使用Java以编程方式创建/修复其他（损坏的）工具所需的文件。

我曾在一个咨询工作中遇到过这样的情况：服务台将继续从用户那里收到消息，这些消息在某些文本编辑器上出现问题，这些文本编辑器会弄乱Java生成的完全有效的UTF-8文件。因此，我必须通过确保从我们正在处理的每个UTF-8文件中删除BOM来解决该问题。

我要从文件中删除BOM表，可以创建一个新文件并跳过前三个字节。例如：

... $  file  /tmp/src.txt 
/tmp/src.txt: UTF-8 Unicode (with BOM) English text

... $  ls -l  /tmp/src.txt 
-rw-rw-r-- 1 tact tact 1733 2012-03-16 14:29 /tmp/src.txt

... $  hexdump  -C  /tmp/src.txt | head -n 1
00000000  ef bb bf 50 6f 6b 65 ...

如您所见，文件以“ ef bb bf”开头，这是（完全有效的）UTF-8 BOM。

这是一种方法，它通过跳过前三个字节来获取文件并进行复制：

 public static void workAroundbrokenToolsAndAPIs(File sourceFile, File destFile) throws IOException {
    if(!destFile.exists()) {
        destFile.createNewFile();
    }

    FileChannel source = null;
    FileChannel destination = null;

    try {
        source = new FileInputStream(sourceFile).getChannel();
        source.position(3);
        destination = new FileOutputStream(destFile).getChannel();
        destination.transferFrom( source, 0, source.size() - 3 );
    }
    finally {
        if(source != null) {
            source.close();
        }
        if(destination != null) {
            destination.close();
        }
    }
}

请注意，它是“原始的”：通常，在调用此代码或“可能会发生错误的思维” [TM]之前，通常需要先确保您具有BOM。

您可以随后查看您的文件：

... $  file  /tmp/dst.txt 
/tmp/dst.txt: UTF-8 Unicode English text

... $  ls -l  /tmp/dst.txt 
-rw-rw-r-- 1 tact tact 1730 2012-03-16 14:41 /tmp/dst.txt

... $  hexdump -C /tmp/dst.txt
00000000  50 6f 6b 65 ...

BOM消失了…

现在，如果您只想透明地删除损坏的Java API的BOM，则可以使用此处描述的 pushbackInputStream
：

private static InputStream checkForUtf8BOMAndDiscardIfAny(InputStream inputStream) throws IOException {
    PushbackInputStream pushbackInputStream = new PushbackInputStream(new BufferedInputStream(inputStream), 3);
    byte[] bom = new byte[3];
    if (pushbackInputStream.read(bom) != -1) {
        if (!(bom[0] == (byte) 0xEF && bom[1] == (byte) 0xBB && bom[2] == (byte) 0xBF)) {
            pushbackInputStream.unread(bom);
        }
    }
    return pushbackInputStream; }

请注意，此工程，但必须绝对 不是 解决更严重的问题，你可以有其他工具在工作链不与具有BOM UTF-8的文件正常工作。

这是指向更完整答案的问题的链接，还涵盖其他编码：

字节顺序标记会破坏Java中的文件读取