utf-8和utf-8-sig的区别

Posted php-linux

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了utf-8和utf-8-sig的区别相关的知识,希望对你有一定的参考价值。


前言:在写入csv文件中,出现了乱码的问题。

解决:utf-8 改为utf-8-sig

区别如下:

1、”utf-8“ 是以字节为编码单元,它的字节顺序在所有系统中都是一样的,没有字节序问题,因此它不需要BOM,所以当用"utf-8"编码方式读取带有BOM的文件时,它会把BOM当做是文件内容来处理, 也就会发生类似上边的错误.

2、“uft-8-sig"中sig全拼为 signature 也就是"带有签名的utf-8”, 因此"utf-8-sig"读取带有BOM的"utf-8文件时"会把BOM单独处理,与文本内容隔离开,也是我们期望的结果.

 

with open(‘data.csv‘, ‘w‘,encoding=‘utf_8_sig‘) as fp:

  

 

utf-8保存的csv格式文件要让Excel正常打开的话,需要在文件最前面加入BOM(Byte order mark)。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。

所以在write文件的内容数据之前,先write一下BOM。如下面代码

FileOutputStream fos = new FileOutputStream(new File(this.csvFileAbsolutePath)); 

        byte [] bs = { (byte)0xEF, (byte)0xBB, (byte)0xBF};  //UTF-8编码

        fos.write(bs); 

        fos.write(...);

        fos.close(); 

这样添加了BOM的CSV文件用excel直接打开,是不会出现乱码的。

我当时遇到的问题是这样的。下载CSV文件,用excel打开,中文乱码,用atom,notepad++和 记事本打开,显示正常。 查资料发现是excel不能识别无BOM头的unicode文件问题,就是excel在打开CSV文件时默认用ASNI打开。  所以需要添加BOM头。

BOM的含义

  BOM即Byte Order Mark字节序标记。BOM是为UTF-16和UTF-32准备的,用户标记字节序(byte order)。拿UTF-16来举例,其是以两个字节为编码单元,在解释一个UTF-16文本前,首先要弄清楚每个编码单元的字节序。例如收到一个“奎”的Unicode编码是594E,“乙”的Unicode编码是4E59。如果我们收到UTF-16字节流"594E",那么这是“奎”还是“乙”?

  Unicode规范中推荐的标记字节顺序的方法是BOM:在UCS编码中有一个叫做"ZERO WIDTH NO-BREAK SPACE"(零宽度无间断空间)的字符,它的编码是FEFF。而FEFF在UCS中是不不能再的字符(即不可见),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"。这样如果接收者接收到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"又被称为BOM。

  UTF-8是以字节为编码单元,没有字节序的问题


延伸一下:

  UTF-8编码是以1个字节为单位进行处理的,不会受CPU大小端的影响;需要考虑下一位时就地址 + 1。

  UTF-16、UTF-32是以2个字节和4个字节为单位进行处理的,即1次读取2个字节或4个字节,这样一来,在存储和网络传输时就要考虑1个单位内2个字节或4个字节之间顺序的问题。


 

UTF-8 BOM

  UTF-8 BOM又叫UTF-8 签名,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。当文本程序读取到以 EF BB BF开头的字节流时,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


补充:

"ZERO WIDTH NO-BREAK SPACE"字符的UCS编码为FEFF(假设为大端),对应的UTF-8编码为 EF BB BF 


 

  即以EF BB BF开头的字节流可表明这是段UTF-8编码的字节流。但如果文件本身就是UTF-8编码的,EF BB BF这三个字节就毫无用处了。 所以,可以说BOM的存在对于UTF-8本身没有任何作用

 

UTF-8文件中包含BOM的坏处

  1、对php的影响

  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编码的文件开头的那三个EF BB BF字符,直接当做文本进行解析,导致解析错误。

  2、在linux上执行SQL脚本报错


  最近开发过程中遇到,windows下编写的SQL文件,在linux下执行时,总是报错。

  在文件的开头,无论是使用中文注释还是英文注释,甚至去掉注释,也会报SP2-0734: unknown command beginning "?<span "="">dec<span "="">lare ..." - rest of line ignored. 的错误。
<span "="">如下是文件开头部分

1 --create tablespace
2 declare
3 v_tbs_name varchar2(200):=‘hytpdtsmsshistorydb‘;
4 begin

  报错如下:

1 SP2-0734: unknown command beginning "?--create ..." - rest of line ignored.
2 
3 
4 PL/SQL procedure successfully completed.

  网上没有找到类似问题的解决办法,且文件编码确认已经更改为utf-8,该问题困惑了我很久。
  最后查看一下BOM与 no BOM的区别,尝试更改为no BOM,居然就没有再出现错误。

  修改完成后,无论使用中文,还是英文,或者去掉注释,都能正常执行。


 

 

血泪建议:UTF-8最好不要带BOM

  UTF-8」和「带 BOM 的 UTF-8」的区别就是有没有 BOM。即文件开头有没有 U+FEFF。

  1、Linux中查看BOM的方法:使用less命令,其它命令可能看不到效果:

技术图片

  发现词语之前多了一个<U+FEFF>。

  2、UTF-8去除BOM的方法

  Linux下:

  (1)

    1)vim打开文件

    2)执行:set nobomb

    3)保存:wq

  (2)

    dos2unix filename

    将windows格式文件转为Unix、Linux格式文件。该命令不仅可将windows文件的换行符 转为Unix、Linux文件的换行符 ,还可以将UTF-8 Unicode (with BOM)转换为UTF-8 Unicode.

  PS:

  遇到一个比较坑爹的情况,1个UTF-8 Unicode (with BOM)文件中包含两个<U+FEFF>,这是无论使用方法(1)还是方法(2),都要执行两次才能将<U+FEFF>完全去除!!!

  (2)Windows下,使用NotePad++打开这个文件,然后选择“编码”,再选择“以UTF-8无BOM格式编码”,最后重新保存文件即可!

 


参考资料来源:https://www.cnblogs.com/Allen-rg/p/10536081.html

以上是关于utf-8和utf-8-sig的区别的主要内容,如果未能解决你的问题,请参考以下文章

json.decoder.JSONDecodeError: Unexpected UTF-8 BOM (decode using utf-8-sig): line 1 column 1 (char 0

python带bom的utf-8-sig如何去掉bom

utf-8带bom 获取到utf-8字符串需要加上bom

Python的utf-8转换成unicode再写入文本

pandas写入数据

python3读取ini配置文件