在 Go 中读取带有 BOM 的文件

Question

我需要读取可能包含或不包含字节顺序标记的 Unicode 文件。 我当然可以自己检查文件的前几个字节，如果找到 BOM，则丢弃 BOM。 但在我这样做之前，是否有任何标准方法可以做到这一点，无论是在核心库中还是在第三方中？

Answer 1

没有标准的方法，IIRC（标准库真的是一个错误的层来实现这种签入）所以这里有两个你可以如何自己处理它的例子。

一种是在数据流上方使用缓冲读取器：

import (
    "bufio"
    "os"
    "log"
)

func main() {
    fd, err := os.Open("filename")
    if err != nil {
        log.Fatal(err)
    }
    defer closeOrDie(fd)
    br := bufio.NewReader(fd)
    r, _, err := br.ReadRune()
    if err != nil {
        log.Fatal(err)
    }
    if r != '\uFEFF' {
        br.UnreadRune() // Not a BOM -- put the rune back
    }
    // Now work with br as you would do with fd
    // ...
}

另一种适用于实现io.Seeker接口的对象的io.Seeker是读取前三个字节，如果它们不是 BOM，则io.Seek()回到开头，例如：

import (
    "os"
    "log"
)

func main() {
    fd, err := os.Open("filename")
    if err != nil {
        log.Fatal(err)
    }
    defer closeOrDie(fd)
    bom := [3]byte
    _, err = io.ReadFull(fd, bom[:])
    if err != nil {
        log.Fatal(err)
    }
    if bom[0] != 0xef || bom[1] != 0xbb || bom[2] != 0xbf {
        _, err = fd.Seek(0, 0) // Not a BOM -- seek back to the beginning
        if err != nil {
            log.Fatal(err)
        }
    }
    // The next read operation on fd will read real data
    // ...
}

这是可能的，因为*os.File实例（ os.Open()返回的内容）支持搜索并因此实现io.Seeker 。 请注意，对于 HTTP 响应的Body阅读器而言，情况并非如此，因为您无法“倒带”它。 bufio.Buffer通过执行一些缓冲（显然）来解决不可搜索流的这个特性——这就是让你在它上面使用UnreadRune()的原因。

请注意，这两个示例都假设我们正在处理的文件是用 UTF-8 编码的。 如果您需要处理其他（或未知）编码，事情会变得更加复杂。

Answer 2

在 Go 核心包中没有这样做的标准方法。 遵循 Unicode 标准。

Unicode 字节顺序标记 (BOM) 常见问题

Answer 3

您可以使用utfbom包。 它包装io.Reader ，根据需要检测并丢弃 BOM。 它还可以返回 BOM 检测到的编码。

Answer 4

我以为我会在这里添加到字符串中剥离字节顺序标记序列的方式-而不是直接字节乱搞（如上图所示）。

package main

import (
    "fmt"
    "strings"
)

func main() {
    s := "\uFEFF is a string that starts with a Byte Order Mark"
    fmt.Printf("before: '%v' (len=%v)\n", s, len(s))

    ByteOrderMarkAsString := string('\uFEFF')

    if strings.HasPrefix(s, ByteOrderMarkAsString) {

        fmt.Printf("Found leading Byte Order Mark sequence!\n")
        
        s = strings.TrimPrefix(s, ByteOrderMarkAsString)
    }
    fmt.Printf("after: '%v' (len=%v)\n", s, len(s)) 
}

其他“字符串”函数也应该工作。

这是打印出来的：

before: ' is a string that starts with a Byte Order Mark (len=50)'
Found leading Byte Order Mark sequence!
after: ' is a string that starts with a Byte Order Mark (len=47)'

干杯!