Java读取Unicode文件（UTF-8等）时碰到的BOM首字符问题，及处理方法

转载：https://blog.csdn.net/clementad/article/details/47168573

2015-18-01修改：增加 apache commons io 处理方法。

 

在Windows下用文本编辑器创建的文本文件，如果选择以UTF-8等Unicode格式保存，会在文件头（第一个字符）加入一个BOM标识。

 

这个标识在Java读取文件的时候，不会被去掉，而且String.trim()也无法删除。如果用readLine()读取第一行存进String里面，这个String的length会比看到的大1，而且第一个字符就是这个BOM。

 

这种情况会造成一些麻烦，比如在读取ini文件的时候，如果想判断第一行是不是以“[”开头就无法正确判断。

 

幸好，Java在读取Unicode文件的时候，会统一把BOM变成“uFEFF”，这样的话，就可以自己手动解决了（判断后，用substring()或replace()去除掉这个BOM）：

1.  
   if(line.startsWith("uFEFF")){
2.  
   //line = line.substring(1);
3.  
   line = line.replace("uFEFF", "");
4.  
   }

 

然而，这种方法并不是完美的，如果生成jar文件在windows下运行，还是有问题。终极的解决方法是使用apache commons io提供的BOMInputStream：

1.  
   <dependency>
2.  
   <groupId>commons-io</groupId>
3.  
   <artifactId>commons-io</artifactId>
4.  
   <version>2.4</version>
5.  
   </dependency>

1.  
   BufferedReader reader = null;
2.  
   try {
3.  
   //reader = new BufferedReader(new FileReader(file));
4.  
    
5.  
   //使用BOMInputStream自动去除UTF-8中的BOM！！！
6.  
   reader = new BufferedReader(new InputStreamReader(new BOMInputStream(new FileInputStream(file))));
7.  
    
8.  
   String str = null;
9.  
   //一次读入一行（非空），直到读入null为文件结束
10.  
    while ((str = reader.readLine()) != null) {
11.  
    }

 

什么是BOM？

BOM = Byte Order Mark

BOM是Unicode规范中推荐的标记字节顺序的方法。比如说对于UTF-16，如果接收者收到的BOM是FEFF，表明这个字节流是Big-Endian的；如果收到FFFE，就表明这个字节流是Little-Endian的。

UTF-8不需要BOM来表明字节顺序，但可以用BOM来表明“我是UTF-8编码”。BOM的UTF-8编码是EF BB BF（用UltraEdit打开文本、切换到16进制可以看到）。所以如果接收者收到以EF BB BF开头的字节流，就知道这是UTF-8编码了。

 

所有的BOM在C/C++/Java中都被处理为"uFEFF"（？？？貌似不一定。。。），参考：http://www.fileformat.info/info/unicode/char/feff/index.htm

 

Wikipedia关于POM的说明介绍：

https://en.wikipedia.org/wiki/Byte_order_mark

 

（原创文章，转载请注明转自Clement-Xu的博客：http://blog.csdn.net/clementad/article/details/47168573）