下面舉個例子,針對UTF-8的文件BOM做個處理:
String xmla = StringFileToolkit.file2String(new File("D:\projects\mailpost\src\a.xml"),"UTF-8");
byte[] b = xmla.getBytes("UTF-8");
String xml = new String(b,3,b.length-3,"UTF-8");
Document doc1 = DocumentHelper.parseText(xml);
Element e1 = (Element)doc1.selectSingleNode("/ResponseData/Body/RetDesc");
Element e2 = (Element)doc1.selectSingleNode("/ResponseData/Head/RespID");
Element e3 = (Element)doc1.selectSingleNode("/ResponseData/Body/RetCode");
Element e4 = (Element)doc1.selectSingleNode("/ResponseData/Body/RetDesc");
思路是:先按照UTF-8編碼讀取文件后,跳過前三個字元,重新構建一個新的字元串,然後用Dom4j解析處理,這樣就不會報錯了.
其他編碼的方式處理思路類似,其實可以寫一個通用的自動識別的BOM的工具,去掉BOM信息,返回字元串.
什麼是BOM
BOM(byte-order mark),即位元組順序標記,它是插入到以UTF-8、UTF16或UTF-32編碼Unicode文件開頭的特殊標記,用來識別Unicode文件的編碼類型.對於UTF-8來說,BOM並不是必須的,
BOM用來標記多位元組編碼文件的編碼類型和位元組順序(big-endian或little-endian).
在絕大多數編輯器中都看不到BOM字元,
它們能理解Unicode,去掉了讀取器看不到的題頭信息.若要查看某個Unicode文件是否以BOM開頭,可以使用十六進位編輯器.下表列出了不同編碼所對應的BOM.
BOM Encoding
EF BB BF UTF-8
FE FF UTF-16 (big-endian)
FF FE UTF-16 (little-endian)
00 00 FE FF UTF-32 (big-endian)
FF FE 00 00 UTF-32 (little-endian)
BOM的來歷
為了識別 Unicode 文件,Microsoft 建議所有的 Unicode 文件應該以 ZERO WIDTH NOBREAK SPACE(U FEFF)字元開頭.這作為一個「特徵符」或「位元組順序標記(byte-order mark,BOM)」來識別文件中使用的編碼和位元組順序.
不同的系統對BOM的支持
一些系統或程序不支持BOM,因此帶有BOM的Unicode文件有時會帶來一些問題.
1.JDK1.5以及之前的Reader都不能處理帶有BOM的UTF-8編碼的文件,解析這種格式的xml文件時,會拋出異常:Content is not allowed in prolog.
2.Linux/UNIX 並沒有使用 BOM,
它會破壞現有的 ASCII 文件的語法約定.
不同的編輯工具對BOM的處理也各不相同.使用Windows自帶的記事本將文件保存為UTF-8編碼的時候,記事本會自動在文件開頭插入BOM(雖然BOM對UTF-8來說並不是必須的),但是editplus就不會這樣做.
BOM與XML
XML解析讀取XML文檔時,W3C定義了3條規則:
1.如果文檔中有BOM,就定義了文件編碼;
2.如果文檔中沒有BOM,就查看XML聲明中的編碼屬性;
3.如果上述兩者都沒有,就假定XML文檔採用UTF-8編碼.