什么是 XML BOM，如何检测它？

Question

ANSI XML 文档中的 BOM 到底是什么，是否应该删除？ XML 文档应该改为 UTF-8 格式吗？谁能告诉我一个检测 BOM 的 Java 方法？ BOM 由字符 EF BB BF 组成。

原文由 djangofan 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

对于 ANSI XML 文件，它实际上应该被删除。如果你想使用 UTF-8，你真的不需要它。只有 UTF-16 和 UTF-32 需要它。

字节顺序标记（或 BOM）是添加在以 UTF-8、UTF-16 或 UTF-32 编码的 Unicode 文件开头的特殊标记。它用于指示文件是使用大端字节序还是小端字节序。 BOM 对于 UTF-16 和 UTF-32 是强制性的，但对于 UTF-8 是可选的。

_（来源： https ://www.opentag.com/xfaq_enc.htm#encbom）

关于如何在 java 中检测到这一点的问题。

检查此问题的以下答案：Java : How to determine the correct charset encoding of a stream 如果您现在想自己确定 BOM（风险自负），请检查例如此代码 Java Tip: How to read a file and自动指定正确的编码。

基本上只需自己读取前几个字节，然后确定您 是否 找到了 BOM。

原文由 jitter 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 2

字节顺序标记很可能是这些字节序列之一：

      UTF-8 BOM: ef bb bf
  UTF-16BE BOM: fe ff
  UTF-16LE BOM: ff fe
  UTF-32BE BOM: 00 00 fe ff
  UTF-32LE BOM: ff fe 00 00

这些是 Unicode 代码点 U+FEFF 的各种编码形式。这可以使用 '\uFEFF' 表示为 Java 字符文字（Java 字符值 隐式 为 UTF-16）。由于 U+FEFF 不在大多数编码中，因此此 BOM 代码点不可能由它们编码。 （ 更多关于在此处使用 Java 编码 BOM 的信息。）

对于 BOM 和 XML，它们是可选的（另请参阅 Unicode BOM FAQ ）。如果在声明中指定了编码，那么检测 XML 中的编码就相对简单了。始终确保 XML 声明 ( <?xml version="1.0" encoding="UTF-8"?> ) 与用于编写文档的编码匹配。如果您对此很严格，解析器应该能够正确解释您的文档。 （ 关于编码检测的 XML 规范。 ）

我提倡尽可能使用 Unicode 编码（另请参阅 Unicode 的 10 条诫命）。也就是说，XML 允许通过转义实体表示任何 Unicode 字符（例如，“A”可以表示为 A ），因此它不一定是避免数据丢失的必要条件。

原文由 McDowell 发布，翻译遵循 CC BY-SA 2.5 许可协议