将UTF-16转换为UTF-8并去除BOM？

Question

我们有一个数据录入人员在Windows上使用UTF-16编码，现在希望转换成UTF-8，并且去掉BOM（字节顺序标记）。虽然UTF-8的转换已经成功，但BOM还是存在。请问我该如何去掉它呢？这是我现在的代码：

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)

如果我用hexdump -C查看文件内容，我能看到：

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。我该如何去掉BOM呢？

谢谢！

Answer 1

这是 UTF-16LE 和 UTF-16 之间的区别

• UTF-16LE 是小端格式，没有 BOM（字节顺序标记）
• UTF-16 可以是大端或小端格式，有 BOM

所以当你使用 UTF-16LE 时，BOM 就是文本的一部分。如果你使用 UTF-16，那么 BOM 会自动去掉。UTF-16LE 和 UTF-16BE 的存在是为了让人们可以携带“正确编码”的文本，而不需要 BOM，但这对你来说可能不适用。

注意，当你用一种编码方式进行编码，然后用另一种方式解码时会发生什么。 （UTF-16 有时会自动识别 UTF-16LE，但并不是总是如此。）

>>> u'Hello, world'.encode('UTF-16LE')
'H\x00e\x00l\x00l\x00o\x00,\x00 \x00w\x00o\x00r\x00l\x00d\x00'
>>> u'Hello, world'.encode('UTF-16')
'\xff\xfeH\x00e\x00l\x00l\x00o\x00,\x00 \x00w\x00o\x00r\x00l\x00d\x00'
 ^^^^^^^^ (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)

或者你可以在命令行中这样做：

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

Answer 2

只需要使用 str.decode 和 str.encode 就可以了：

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 会帮你去掉BOM（字节顺序标记），并且会自动判断字节的顺序。