字符编码发展史6 — BOM字节序标记

上一篇《字符编码发展史5 — UTF-16和UTF-32》我们解说了UTF-16和UTF-32编码。本篇我们将继续解说字符编码中的字节序标记(BOM)。
2.3. 第三个阶段 国际化

2.3.2. Unicode的编码方式

2.3.2.5. BOM

1. 什么是BOM？

BOM是Byte Order Mark的缩写，翻译成中文是：字节序标记，主要用于文本编码中，表现数据存储的字节顺序。
前面我们讲到UTF-16和UTF-32是存在大小端的字节序题目的。以UTF-16为例，要识别一个文件是以大端(Big-endian)字节序还是小端(Little-endian)字节序存储的，就必要有一个标识来进行标记。业界同一的做法是：在文件的开头参加一个特殊的字符来表现，该字符就是U+FEFF，因此BOM也可认为是该字符(U+FEFF)的一个别名。

• 在UTF-16BE文件中，BOM是0xFE 0xFF；
  
• 在UTF-16LE文件中，BOM是0xFF 0xFE；
  
• 在UTF-32BE文件中，BOM是0x00 0x00 0xFE 0xFF；
  
• 在UTF-32LE文件中，BOM是0xFF 0xFE 0x00 0x00。
  

2. Windows下为什么会有UTF-8和UTF-8BOM？

UTF-8编码本身并不存在字节序的题目，所以UTF-8编码理论上是不必要字节序的。
认识Windows的同砚应该知道，Windows的“记事本”在保存时可以选择编码方式，编码方式的下拉框里有UTF-8和UTF-8 BOM。我们以UTF-8 BOM保存时，文件的开头三个字节是0xEF 0xBB 0xBF，这就是UTF-8 BOM的标识。

记事本保存的编码格式

在VSCode中以Hex Editor方式打开
为什么Windows下为什么有UTF-8 BOM，这个已经无从查证，很可能是Windows汗青发展的遗留产物。推测可能是为了明确标识某个文件是由UTF-8编码方式存储的。由于字符编码的发展汗青来看，UTF-8的出现晚于ANSI系列编码，Windows早期为了适配各个国家的语言，系统默认编码采用了ANSI系列的编码，美国和西欧地区默认编码是ISO-8859-1，中国大陆默认编码编码是GBK。如：在Windows下有一个XXX.txt的纯文本文件，如果不加字节序标记则无法知道这个文件是UTF-8编码的还是GBK编码的。如果UTF-8编码的文件默认加上BOM标识，则可以通过这个标识来区分是UTF-8还是GBK编码。
在Windows11下，我们看到新建的.txt文件，windows的记事本会默认以UTF-8(无BOM)来保存了，说明Windows操作系统新的版本也默认利用UTF-8编码了。
就跨平台的兼容性而言，UTF-8会比UTF-8 BOM更好。
3. 不同编码的字节序总结

编码方式BOM字节序标识UTF-8无UTF-8 BOM0xEF 0xBB 0xBFUTF-16BE0xFE 0xFFUTF-16LE0xFF 0xFEUTF-32BE0x00 0x00 0xFE 0xFFUTF-32LE0xFF 0xFE 0x00 0x00

《字符编码发展史》系列已完结

汗青文章推荐：

字符编码发展史5 — UTF-16和UTF-32
字符编码发展史4 — Unicode与UTF-8
字符编码发展史3 — GB2312/Big5/GBK/GB18030
字符编码发展史2 — ISO-8859-N
字符编码发展史1 — ASCII和EASCII

大家好，我是陌尘。
IT从业10年+, 北漂过也深漂过，目前暂定居于杭州，未来不知还会飘向何方。
搞了8年C++，也干过2年前端；用Python写过书，也玩过一点PHP，未来还会折腾更多东西，不死不休。
感谢大家的关注，等待与你一起发展。
【SunLogging】

扫码二维码，关注微信公众号，阅读更多出色内容
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。