端序标记
端序标记，或称字节顺序标记（英语：byte-order mark，BOM）是位于码点U+FEFF的统一码字符的名称。当以UTF-16或UTF-32来将UCS/统一码字符所组成的字符串编码时，这个字符被用来标示其端序。它也被用来当做标示文件是以UTF-8、UTF-16或UTF-32编码的标记。
端序标记通常有几种涵义[1]：
端序标记的使用是选择性的。它的存在会干扰那些不希望文件开头出现非ASCII字符、但可以用其他方式处理文字流的软件对于UTF-8的使用。
统一码可以以8位、16位或32位整数为单位进行编码。对于16位和32位的表示方法，从任意来源接收文本的电脑需要知道整数是以何种端序编码的。端序标记的编码方式与文档文件的其他部分相同，如果它的字节被调换，就会变成一个非字符的统一码码位。因此，访问文本的过程中，可以透过检查这头几个字节来确定端序，而不需要文字流本身以外的一些约定或元数据。一般来说，如果有必要，接收资料的电脑会将字节换成自己的端序，不再需要端序标记进行处理。
每个统一码编码（包括统一码标准以外的编码，如UTF-7，见下表）的BOM字节序列都不一样，而且这些序列都不可能出现在以其他编码存储的文字流的开头。因此，在文字流的开头放置一个编码的BOM，可以表明文本是统一码，并识别所使用的编码方案。这种对BOM字符的使用被称为“统一码签名”[2]。
使用
[编辑]字符U+FEFF如果出现在字节流的开头，则用来标识该字节流的字节序，是高位在前还是低位在前。如果它出现在字节流的中间，则表达零宽度非换行空格的意义，用户看起来就是一个空格。从Unicode3.2开始，U+FEFF只能出现在字节流的开头，只能用于标识端序，就如它的名称——端序标记——所表示的一样；除此以外的用法已被舍弃。取而代之的是，使用U+2060来表达零宽度无断空白。
UTF-8
[编辑]虽然在统一码标准中，允许UTF-8也中使用端序标记[3]，但实际上并不一定需要[4]。UTF-8编码过的端序标记则被用来标示它是UTF-8的文件。它只用来标示一个UTF-8的文件，而不用来说明端序[5]。但同时，该标准也不建议在有端序标记的情况下将其删除，以便在不同的编码之间转换时不会丢失信息，并让依赖端序标记的程序能顺利运作[6][7]。IETF建议，如果一个协议(a)总是使用UTF-8，或者(b)有一些其他方法来表明正在使用的编码，那么它“应该禁止使用U+FEFF作为签名”[8]。
许多视窗程序（包含记事本）会需要添加端序标记到UTF-8文件，否则将无法正确解析编码，而出现乱码。然而，在类Unix系统（大量使用文本文件，用于文件格式，用于进程间通信）中，这种做法则不被建议采用。因为它会妨碍到如解译器脚本开头的Shebang等的一些重要的码的正确处理。它亦会影响到无法识别它的编程语言。如gcc会报告源码档开头有无法识别的字符。而在PHP中，如果没有激活输出缓冲（output buffering），它会使得页面内容开始被送往浏览器（即：用户头文件已被提交），这使PHP脚本无法指定用户头文件（HTTP Header）。端序标记在UTF-8中被表示为序列0xEF 0xBB 0xBF，对大部分未准备好处理UTF-8的文本编辑器及网页浏览器而言，在ISO-8859-1的环境中则会显示。
统一码标准允许在UTF-8中使用BOM，但并不要求或推荐使用它。端序在UTF-8中没有任何意义，所以它在UTF-8中的唯一用途是在开始时发出信号，表明文本流是用UTF-8编码的，或者表明它是从包含可选BOM的文本流转换到UTF-8的。该标准也不建议在有BOM的情况下将其删除，以便在不同的编码之间往返不会丢失信息，并使依赖BOM的代码继续工作。 IETF建议，如果一个协议要么(a)总是使用UTF-8，要么(b)有一些其他方法来表明正在使用的编码，那么它 "应该禁止使用U+FEFF作为签名"。
UTF-8是一种稀疏的编码，意思是很大一部分可能的字符组合不会产生有效的UTF-8文本。任何其他编码的二进制资料和文本都可能包含UTF-8无效的字符序列，唯一的例外是当文本纯粹由ASCII范围的字符组成的时候。因为所有的现代编码都使用ASCII范围的字节来表示ASCII字符，所以无论发出这些字节的系统打算使用什么编码，纯ASCII的文本都可以被安全地解释为UTF-8。由于这些考虑，使用启发式的分析方法可以很有把握地检测出文件是否使用UTF-8，而不需要加入BOM。 另一方面，微软的编译器[9]和解释器，以及许多Microsoft Windows上的软件，如记事本，都将BOM视为一个必要的神奇数字，而不是使用启发式分析法。这些工具在将文本保存为UTF-8时添加了BOM，并且只有在BOM存在或是文件只包含ASCII字符时才能解释UTF-8。Windows PowerShell（截至5.1版本）在保存UTF-8的XML文档文件时，会添加一个BOM。然而，PowerShell Core 6在一些cmdlets上增加了一个-Encoding开关，称为“utf8NoBOM”，这样就可以在没有BOM的情况下保存文档文件。Google文档在将文档文件转换为纯文本文件以供下载时也会添加BOM。
UTF-16
[编辑]在UTF-16中，端序标记被放置为文件或文字符串流的第一个字符，以标示在此文件或文字符串流中，以所有十六比特为单位的字码的端序。如果试图用错误的端序来读取这个流，字节将被调换，从而产生字符U+FFFE，这个字符被Unicode定义为“非字符”，不应该出现在文本中。例如，值为U+FFFE的码位被保证将不会被指定成一个统一码字符。这意味着0xFF、0xFE将只能被解释成小端序中的U+FEFF（因为不可能是大端序中的U+FFFE）。
这两个序列都不是有效的UTF-8，所以它们的出现表明该文件不是用UTF-8编码的。
对于互联网号码分配局注册的字符集UTF-16BE和UTF-16LE，不应该使用端序标记标记，因为这些字符集的名称已经决定了端序。如果在这样的文本流中的任何地方遇到U+FEFF，将被解释为一个“零宽度无断点空间”。
如果没有端序标记，可以透过搜索ASCII字符（即与0x20-0x7E范围内的字节相邻的0字节，还有CR和LF的0x0A和0x0D）来猜测该文本是否为UTF-16及其端序。大量的（即远远高于随机）相同的顺序是UTF-16的一个非常好的指示，而0是在偶数还是奇数字元组中表明了字节的顺序。然而，这依然可能会导致假阳性和假阴性。
Unicode标准的一致性条款D98（第3.10节）规定：“UTF-16编码方案可以以BOM开始，也可以不以BOM开始。然而，当没有BOM时，在没有高层协议的情况下，UTF-16编码方案的端序是大端序。”是否有更高层次的协议是可以解释的。例如，在一台本地端序为小端序的电脑上的文件，可能被默认为是以UTF-16LE编码。因此，大端序的推定被广泛地忽略了。在HTML5中使用的W3C/WHATWG编码标准规定，标记为“utf-16”或“utf-16le”的内容将被解释为小端序，“以处理部署的内容”[10]。然而，如果出现了端序标记，那么该标记将被视为“比其他任何东西都更有权威性”[11]。
将UTF-16解释为基于字节的编码的程序可能会显示出乱七八糟的字符，但是ASCII字符会被识别出来，因为UTF-16表示的低字符与ASCII代码相同，因此会显示相同的字符。0的上字符可以显示为无、空白、句号，或其他一些不变的字形。
UTF-32
[编辑]虽然端序标记亦可以用于UTF-32，但这个编码很少用于传输，其规则如同UTF-16。
小端序UTF-32的BOM等同小端序UTF-16的BOM图案后面加上一个NUL字符，这是一个不寻常的例子，即BOM在两种不同的编码中是相同的形式。使用BOM来识别编码的程序员必须分辨文件是UTF-32编码还是单纯以NUL作为第一个字符。
不同编码的端序标记的表示
[编辑]| 编码 | 表示（十六进制） | 表示（十进制） |
|---|---|---|
| UTF-8 | EF BB BF
|
239 187 191
|
| UTF-16（大端序） | FE FF
|
254 255
|
| UTF-16（小端序） | FF FE
|
255 254
|
| UTF-32（大端序） | 00 00 FE FF
|
0 0 254 255
|
| UTF-32（小端序） | FF FE 00 00
|
255 254 0 0
|
| UTF-7 | 2B 2F 76和以下的一个字节：[ 38 | 39 | 2B | 2F ]
|
43 47 118和以下的一个字节：[ 56 | 57 | 43 | 47 ]
|
| UTF-1 | F7 64 4C
|
247 100 76
|
| UTF-EBCDIC | DD 73 66 73
|
221 115 102 115
|
| 统一码标准压缩方案 | 0E FE FF
|
14 254 255
|
| 统一码二进制有序压缩 | FB EE 28 及可能跟随着FF
|
251 238 40 及可能跟随着255
|
| GB-18030 | 84 31 95 33
|
132 49 149 51
|
另见
[编辑]参考文献
[编辑]- ^ FAQ - UTF-8, UTF-16, UTF-32 & BOM. Unicode.org. [2017-01-28]. （原始内容存档于2021-05-02）.
- ^ The Unicode® Standard Version 9.0 (PDF). The Unicode Consortium. [2021-06-16]. （原始内容存档 (PDF)于2021-05-07）.
- ^ The Unicode Standard 5.0, Chapter 2:General Structure (PDF): 36. [2009-03-29]. （原始内容存档 (PDF)于2021-04-22）.
Table 2-4. The Seven Unicode Encoding Schemes
- ^ The Unicode Standard 5.0, Chapter 2:General Structure (PDF): 36. [2008-11-30]. （原始内容存档 (PDF)于2021-04-22）.
Use of a BOM is neither required nor recommended for UTF-8, but may be encountered in contexts where UTF-8 data is converted from other encoding forms that use a BOM or where the BOM is used as a UTF-8 signature
- ^ FAQ - UTF-8, UTF-16, UTF-32 & BOM: Can a UTF-8 data stream contain the BOM character (in UTF-8 form)? If yes, then can I still assume the remaining UTF-8 bytes are in big-endian order?. [2008-03-29]. （原始内容存档于2012-09-01）.
- ^ Re: pre-HTML5 and the BOM from Asmus Freytag on 2012-07-13 (Unicode Mail List Archive). Unicode.org. [2012-07-14]. （原始内容存档于2019-06-16）.
- ^ Bug ID: JDK-6378911 UTF-8 decoder handling of byte-order mark has changed. Bugs.sun.com. [2017-01-28]. （原始内容存档于2017-12-19）.
- ^ Yergeau, Francois. UTF-8, a transformation format of ISO 10646. IETF. November 2003 [May 15, 2014]. RFC 3629.
- ^ Alf P. Steinbach. Unicode part 1: Windows console i/o approaches. 2011 [24 March 2012]. （原始内容存档于2012-03-22）.
However, since the C++ source code was encoded as UTF-8 without BOM (as is usual in Linux), the Visual C++ compiler erroneously assumed that the source code was encoded as Windows ANSI.
- ^ UTF-16LE. Encoding Standard. WHATWG. [2021-06-17]. （原始内容存档于2015-02-04）.
- ^ Decode. Encoding Standard. WHATWG. [2021-06-17]. （原始内容存档于2015-02-04）.
外部链接
[编辑]- Unicode FAQ: UTF-8, UTF-16, UTF-32 & BOM（页面存档备份，存于互联网档案馆）
- The Unicode Standard, chapter 2.6 Encoding Schemes（页面存档备份，存于互联网档案馆）
- The Unicode Standard, chapter 2.13 Special Characters and Noncharacters, section Byte Order Mark（BOM）（页面存档备份，存于互联网档案馆）
- The Unicode Standard, chapter 16.8 Specials, section Byte Order Mark (BOM): U+FEFF（页面存档备份，存于互联网档案馆）