17370845950

BOM是文件开头用于标识编码的特殊字节，UTF-8中为EF BB BF；XML解析时易因BOM误读报“前言中不允许有内容”错误；安全读取需先探测再跳过BOM，推荐用BOMInputStream或手动跳过，避免FileReader；生成XML时应显式指定UTF-8编码以防写入BOM。

BOM（Byte Order Mark，字节顺序标记）是加在文本文件开头的一组特殊字节，用于标识文件的编码方式。对UTF-8来说，BOM是固定的三个字节 EF BB BF；虽然UTF-8本身不依赖字节序，但这个标记可被解析器用来明确识别“这是UTF-8编码”，不过XML规范其实不推荐在UTF-8 XML中使用BOM——因为部分解析器（如Dom4j、JDOM、Xerces等）会把BOM误读为文档内容，导致报错“Content is not allowed in prolog”。

XML解析时BOM引发的典型错误

常见现象包括：

• 解析器报错：第一行出现乱码字符（如），或直接提示“前言中不允许有内容”
• 用十六进制工具（如UltraEdit、xxd）查看文件开头，可见ef bb bf（UTF-8 BOM）或ff fe（UTF-16LE）、fe ff（UTF-16BE）
• 用FileReader这类默认编码读取时失败——因为它不识别BOM，会把BOM当普通字符读入

Java中安全读取带BOM的XML文件

核心思路是：先探测BOM，再按实际编码读取，跳过BOM字节。推荐以下几种方式：

• 用Apache Commons IO的BOMInputStream（最稳妥）：
  它自动检测并跳过BOM，并通过getBOMCharsetName()返回真实编码名，后续可传给InputStreamReader
• 手动探测+跳过：用FileInputStream读前3字节，判断是否为EF BB BF；若是，构造new UTF8Encoding(false).getString(buffer, 3, len-3)（.NET风格）或用new String(bytes, 3, bytes.length-3, "UTF-8")（Java）
• 避免用FileReader：它不支持BOM处理，且依赖系统默认编码，极易出错；一律改用InputStreamReader配合明确指定的Charset

生成XML时避免写入BOM

如果你用Java写XML文件（比如用Transformer、DOM或JAXB输出），默认不会写BOM——但某些Windows编辑器（如记事本）另存为UTF-8时会自动添加。防范措施：

• 用OutputStreamWriter写入时，显式指定StandardCharsets.UTF_8（Java 7+），它不会写BOM
• 若必须兼容旧工具，可用Files.write(path, content.getBytes(StandardCharsets.UTF_8), StandardOpenOption.CREATE)，同样无BOM
• 避免用FileWriter——它不接受编码参数，行为不可控

快速验证与修复脚本（命令行辅助）

开发中可快速确认和清理BOM：

• 检查BOM：file -i your.xml 或 hexdump -C your.xml | head -n 1
• 移除BOM（Linux/macOS）：tail -c +4 your.xml > no_bom.xml（跳过前3字节）
• 批量清理（Python一行）：for f in *.xml; do sed -i '1s/^\xEF\xBB\xBF//' "$f"; done