将UTF-16转换为UTF-8并去除BOM？

Question

我们有一个数据录入员在Windows上使用UTF-16编码，现在需要转换为UTF-8并移除BOM。UTF-8转换成功了，但是BOM还在那里。我应该如何去掉它？这是我目前的代码：

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)

如果我执行hexdump -C，则会看到：

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，如何去掉BOM？

谢谢

- timpone

Answer 1

这是UTF-16LE和UTF-16之间的区别：

• UTF-16LE是小端序，没有BOM
• UTF-16是大端序或小端序，有BOM

因此，使用UTF-16LE时，BOM只是文本的一部分。请改用UTF-16，这样BOM就会自动删除。UTF-16LE和UTF-16BE存在的原因是为了让人们携带“正确编码”的无BOM文本，但这不适用于您。

请注意，当您使用一种编码进行编码并使用另一种编码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')
'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执行以下操作：

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

- Dietrich Epp

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（并推断字节序）。

- Adam Rosenfield

---

很酷 - 运行良好，你知道如何在读取中添加CRLF -> LF转换功能吗？如果你能帮忙就谢谢了。 - timpone

如果你处理的是大文件，那种方法（将整个文件存储两次于内存中）并不是非常高效。 - Marcin Kaminski