☰

處理以 BOM (FF FE) 開頭的文件

tag-icon • tag-icon text-processing character-encoding unicode
處理以 BOM (FF FE) 開頭的文件

我收到了帶有 BOM 的 .csv 檔案FF FE：

$ head -n1 dotan.csv | hd
00000000  ff fe 41 00 64 00 20 00  67 00 72 00 6f 00 75 00  |..A.d. .g.r.o.u.|

當使用awk解析它時，我得到一堆空字節，我懷疑這是由於字節順序造成的。如何交換此文件的位元組順序（使用 CLI）以便普通工具可以使用它？

請注意，我認為該文件只是 ASCII 字元（BOM 除外），但我無法確認這一點，因為grep我認為它是一個二進位：

$ grep -P '^[\x00-\x7f]' dotan.csv 
Binary file dotan.csv matches

在VIM中搜尋相同的字串顯示每個角色匹配！

使用iconv轉換為 ASCII 並不能消除 \x00 值，實際上它使問題變得更糟，因為現在它們看起來像空位元組而不是 UTF-8！

$ iconv -f UTF-8 -t ASCII dotan.csv > fixed.txt 
iconv: illegal input sequence at position 0

$ iconv -f UTF-8 -t ASCII//IGNORE dotan.csv > fixed.txt

$ head -n1 fixed.txt | hd
00000000  41 00 64 00 20 00 67 00  72 00 6f 00 75 00 70 00  |A.d. .g.r.o.u.p.|

如何交換此文件的位元組順序（使用 CLI）以便普通工具可以使用它？

答案1

由此維基百科文章，FF FE方法UTF16LE。所以你應該告訴iconv從 轉換UTF16LE為UTF8：

iconv -f UTF-16LE -t UTF-8 dotan.csv > fixed.txt

答案2

dos2unix也刪除 BOM 並將 UTF-16 轉換為 UTF-8：

$ printf %s あ|recode ..utf16 >a;xxd -p a;dos2unix a;xxd -p a
feff3042
dos2unix: converting file a to Unix format...
e38182

dos2unix也刪除了 UTF-8 BOM：

$ printf %b '\xef\xbb\xbfa'>a;dos2unix a;xxd -p a
dos2unix: converting file a to Unix format...
61

答案3

StackOverflow 也有答案： 如何從 UTF-8 檔案中刪除 BOM？ @rici有一個很好的答案。

簡短回答：

  • 簡短回答：sed -i $'1s/^\uFEFF//' file.txt，但不適用於 BSD 或 OS/X。
  • 另一個答案：，，，，vi file.txt簡單但手動:set nobomb:w
  • 安裝dos2unuix；dos2unix -r file.txt
  • 這些標記有多種可能的含義，包括文件是 UTF-8；看到維基百科文章。
  • Windows 程式喜歡新增這些標記。大多數編輯不會刪除這些標記。

相關內容