字符编码发展史6 — BOM字节序标记

news2024/12/30 1:28:58

上一篇《字符编码发展史5 — UTF-16和UTF-32》我们讲解了UTF-16和UTF-32编码。本篇我们将继续讲解字符编码中的字节序标记(BOM)。

2.3. 第三个阶段国际化

2.3.2. Unicode的编码方式

2.3.2.5. BOM

1. 什么是BOM？

BOM是Byte Order Mark的缩写，翻译成中文是：字节序标记，主要用于文本编码中，表示数据存储的字节顺序。

前面我们讲到UTF-16和UTF-32是存在大小端的字节序问题的。以UTF-16为例，要识别一个文件是以大端(Big-endian)字节序还是小端(Little-endian)字节序存储的，就需要有一个标识来进行标记。业界统一的做法是：在文件的开头加入一个特殊的字符来表示，该字符就是U+FEFF，因此BOM也可认为是该字符(U+FEFF)的一个别名。

在UTF-16BE文件中，BOM是0xFE 0xFF；
在UTF-16LE文件中，BOM是0xFF 0xFE；
在UTF-32BE文件中，BOM是0x00 0x00 0xFE 0xFF；
在UTF-32LE文件中，BOM是0xFF 0xFE 0x00 0x00。

2. Windows下为什么会有UTF-8和UTF-8BOM？

UTF-8编码本身并不存在字节序的问题，所以UTF-8编码理论上是不需要字节序的。

熟悉Windows的同学应该知道，Windows的“记事本”在保存时可以选择编码方式，编码方式的下拉框里有UTF-8和UTF-8 BOM。我们以UTF-8 BOM保存时，文件的开头三个字节是0xEF 0xBB 0xBF，这就是UTF-8 BOM的标识。

file 记事本保存的编码格式

file 在VSCode中以Hex Editor方式打开

为什么Windows下为什么有UTF-8 BOM，这个已经无从查证，很可能是Windows历史发展的遗留产物。猜测可能是为了明确标识某个文件是由UTF-8编码方式存储的。因为字符编码的发展历史来看，UTF-8的出现晚于ANSI系列编码，Windows早期为了适配各个国家的语言，系统默认编码采用了ANSI系列的编码，美国和西欧地区默认编码是ISO-8859-1，中国大陆默认编码编码是GBK。如：在Windows下有一个XXX.txt的纯文本文件，如果不加字节序标记则无法知道这个文件是UTF-8编码的还是GBK编码的。如果UTF-8编码的文件默认加上BOM标识，则可以通过这个标识来区分是UTF-8还是GBK编码。

在Windows11下，我们看到新建的.txt文件，windows的记事本会默认以UTF-8(无BOM)来保存了，说明Windows操作系统新的版本也默认使用UTF-8编码了。

就跨平台的兼容性而言，UTF-8会比UTF-8 BOM更好。