将UTF-16转换为UTF-8并删除BOM

Question

我们有一位数据输入人员，他在Windows上用UTF-16编码，希望使用UTF-8并删除BOM。utf-8转换有效，但BOM仍然存在。我该如何删除它？这就是我目前拥有的：

batch_3={'src':'/Users/jt/src','dest':'/Users/jt/dest/'}
batches=[batch_3]
for b in batches:
  s_files=os.listdir(b['src'])
  for file_name in s_files:
    ff_name = os.path.join(b['src'], file_name)  
    if (os.path.isfile(ff_name) and ff_name.endswith('.json')):
      print ff_name
      target_file_name=os.path.join(b['dest'], file_name)
      BLOCKSIZE = 1048576
      with codecs.open(ff_name, "r", "utf-16-le") as source_file:
        with codecs.open(target_file_name, "w+", "utf-8") as target_file:
          while True:
            contents = source_file.read(BLOCKSIZE)
            if not contents:
              break
            target_file.write(contents)

如果我六进制转储-C我看到：

Wed Jan 11$ hexdump -C svy-m-317.json 
00000000  ef bb bf 7b 0d 0a 20 20  20 20 22 6e 61 6d 65 22  |...{..    "name"|
00000010  3a 22 53 61 76 6f 72 79  20 4d 61 6c 69 62 75 2d  |:"Savory Malibu-|

在生成的文件中。如何删除BOM表？

thx

Answer 1

这是UTF-16LE和UTF-16 之间的区别

• UTF-16LE是没有BOM的小字节序
• UTF-16是带有BOM的大或小endian

因此，当您使用UTF-16LE时，BOM表只是文本的一部分。请改用UTF-16，以便自动删除BOM表。UTF-16LE和UTF-16BE之所以存在，是因为人们可以在没有BOM的情况下携带"正确编码"的文本，这不适用于您。

请注意，当您使用一种编码进行编码并使用另一种进行解码时会发生什么。（UTF-16有时会自动检测UTF-16LE，但并非总是如此。）

>>> u'Hello, world'.encode('UTF-16LE')
'Hx00ex00lx00lx00ox00,x00 x00wx00ox00rx00lx00dx00'
>>> u'Hello, world'.encode('UTF-16')
'xffxfeHx00ex00lx00lx00ox00,x00 x00wx00ox00rx00lx00dx00'
 ^^^^^^^^ (BOM)
>>> u'Hello, world'.encode('UTF-16LE').decode('UTF-16')
u'Hello, world'
>>> u'Hello, world'.encode('UTF-16').decode('UTF-16LE')
u'ufeffHello, world'
    ^^^^ (BOM)

或者你可以在外壳上这样做：

for x in * ; do iconv -f UTF-16 -t UTF-8 <"$x" | dos2unix >"$x.tmp" && mv "$x.tmp" "$x"; done

Answer 2

只需使用str.decode和str.encode:

with open(ff_name, 'rb') as source_file:
  with open(target_file_name, 'w+b') as dest_file:
    contents = source_file.read()
    dest_file.write(contents.decode('utf-16').encode('utf-8'))

str.decode将为您去除BOM（并推导出endianness）。