在Python中将没有BOM的UTF-8转换为带有BOM的UTF-8

Question

这里有两个问题。我有一组通常是带有BOM的UTF-8文件。我想将它们（理想情况下）转换为没有BOM的UTF-8。似乎codecs.StreamRecoder(stream, encode, decode, Reader, Writer, errors)可以解决这个问题。但是我真的看不到任何有关用法的好例子。这将是处理此问题的最佳方法吗？

source files:
Tue Jan 17$ file brh-m-157.json 
brh-m-157.json: UTF-8 Unicode (with BOM) text

同样，如果我们能够处理清楚知道的不同输入编码（看到的ASCII和UTF-16），那将是理想的。看来这一切都是可行的。是否有一种解决方案可以采用任何已知的Python编码并以UTF-8格式输出而无需BOM？

*从下面 *编辑1个 建议的sol’n（谢谢！）

fp = open('brh-m-157.json','rw')
s = fp.read()
u = s.decode('utf-8-sig')
s = u.encode('utf-8')
print fp.encoding  
fp.write(s)

这给了我以下错误：

IOError: [Errno 9] Bad file descriptor

新闻快讯

有人在评论中告诉我，错误是我以’rw’模式而不是’r +’/’r + b’模式打开文件，因此我最终应重新编辑问题并删除已解决的部分。

Answer 1

只需使用“ utf-8-sig”编解码器：

fp = open("file.txt")
s = fp.read()
u = s.decode("utf-8-sig")

这样就可以得到一个unicode没有BOM的字符串。然后，您可以使用

s = u.encode("utf-8")

以在中获取普通UTF-8编码的字符串s。如果文件很大，则应避免将它们全部读入内存。BOM只是文件开头的三个字节，因此您可以使用以下代码将其从文件中删除：

import os, sys, codecs

BUFSIZE = 4096
BOMLEN = len(codecs.BOM_UTF8)

path = sys.argv[1]
with open(path, "r+b") as fp:
    chunk = fp.read(BUFSIZE)
    if chunk.startswith(codecs.BOM_UTF8):
        i = 0
        chunk = chunk[BOMLEN:]
        while chunk:
            fp.seek(i)
            fp.write(chunk)
            i += len(chunk)
            fp.seek(BOMLEN, os.SEEK_CUR)
            chunk = fp.read(BUFSIZE)
        fp.seek(-BOMLEN, os.SEEK_CUR)
        fp.truncate()

它打开文件，读取一个块，并将其比读取它的位置早3个字节写入文件。该文件被原位重写。较简单的解决方案是将较短的文件写入新文件，例如newtover的answer。那会更简单，但是在短时间内使用两倍的磁盘空间。

至于猜测编码，则可以从最具体到最不具体遍历整个编码：

def decode(s):
    for encoding in "utf-8-sig", "utf-16":
        try:
            return s.decode(encoding)
        except UnicodeDecodeError:
            continue
    return s.decode("latin-1") # will always work

UTF-16编码的文件不会解码为UTF-8，因此我们首先尝试使用UTF-8。如果失败，那么我们尝试使用UTF-16。最后，我们使用Latin-1-这将始终有效，因为所有256个字节在Latin-1中都是合法值。None在这种情况下，您可能想要返回，因为这实际上是一个后备，并且您的代码可能想要更仔细地处理（如果可以）。