将带 BOM 的 UTF-8 转换为 Python 中没有 BOM 的 UTF-8

Question

这里有两个问题。 我有一组文件，通常是带有 BOM 的 UTF-8。 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)会处理这个问题。 但我真的没有看到任何关于使用的好例子。 这是处理这个问题的最好方法吗？

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

此外，如果我们可以在不明确知道的情况下处理不同的输入编码（参见 ASCII 和 UTF-16），那将是理想的。 看来这一切都应该是可行的。 有没有一种解决方案可以采用任何已知的 Python 编码和 output 作为 UTF-8 而没有 BOM？

从下面编辑 1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

快讯

我在评论中被告知错误是我使用模式'rw'而不是'r+'/'r+b'打开文件，所以我最终应该重新编辑我的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")

这为您提供了没有BOM的unicode字符串。 然后你可以使用

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

在s获取正常的UTF-8编码字符串。 如果您的文件很大，那么您应该避免将它们全部读入内存。 BOM只是文件开头的三个字节，因此您可以使用此代码将它们从文件中删除：

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，并将其写入文件，比它读取的位置早3个字节。 该文件就地重写。 更简单的解决方案是将较短的文件写入新文件，如newtover的答案 。 这会更简单，但在短时间内使用两倍的磁盘空间。

至于猜测编码，那么你可以从大多数到最不具体的循环编码：

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编码的文件不能解码为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个字节都是Latin-1中的合法值。 在这种情况下，你可能想要返回None ，因为它确实是一个后备，你的代码可能想要更仔细地处理它（如果可以的话）。

Answer 2

在Python 3中，它非常简单：读取文件并使用utf-8编码重写它：

s = open(bom_file, mode='r', encoding='utf-8-sig').read()
open(bom_file, mode='w', encoding='utf-8').write(s)

Answer 3

import codecs
import shutil
import sys

s = sys.stdin.read(3)
if s != codecs.BOM_UTF8:
    sys.stdout.write(s)

shutil.copyfileobj(sys.stdin, sys.stdout)

Answer 4

这是我的实现，将任何类型的编码转换为没有BOM的UTF-8，并用通用格式替换windows enlines：

def utf8_converter(file_path, universal_endline=True):
    '''
    Convert any type of file to UTF-8 without BOM
    and using universal endline by default.

    Parameters
    ----------
    file_path : string, file path.
    universal_endline : boolean (True),
                        by default convert endlines to universal format.
    '''

    # Fix file path
    file_path = os.path.realpath(os.path.expanduser(file_path))

    # Read from file
    file_open = open(file_path)
    raw = file_open.read()
    file_open.close()

    # Decode
    raw = raw.decode(chardet.detect(raw)['encoding'])
    # Remove windows end line
    if universal_endline:
        raw = raw.replace('\r\n', '\n')
    # Encode to UTF-8
    raw = raw.encode('utf8')
    # Remove BOM
    if raw.startswith(codecs.BOM_UTF8):
        raw = raw.replace(codecs.BOM_UTF8, '', 1)

    # Write to file
    file_open = open(file_path, 'w')
    file_open.write(raw)
    file_open.close()
    return 0

Answer 5

您可以使用编解码器。

import codecs
with open("test.txt",'r') as filehandle:
    content = filehandle.read()
if content[:3] == codecs.BOM_UTF8:
    content = content[3:]
print content.decode("utf-8")

Answer 6

我发现这个问题是因为在使用UTF8 BOM头打开文件时遇到configparser.ConfigParser().read(fp) 。

对于那些正在寻找删除标题的解决方案的人，以便ConfigPhaser可以打开配置文件而不是报告错误： File contains no section headers ，请打开如下文件：

configparser.ConfigParser().read(config_file_path, encoding="utf-8-sig")

通过不必删除文件的BOM头，这可以节省大量的工作。

（我知道这听起来不相关，但希望这可以帮助人们像我一样挣扎。）

Answer 7

在 python3 中，您应该添加encoding='utf-8-sig' ：

with open(file_name, mode='a', encoding='utf-8-sig') as csvfile:
    csvfile.writelines(rows)

而已。