在Python中将没有BOM的UTF-8转换为带有BOM的UTF-8

在Python中将没有BOM的UTF-8转换为带有BOM的UTF-8

只需使用“ utf-8-sig”编解码器：

fp = open("file.txt")s = fp.read()u = s.depre("utf-8-sig")

这样就可以得到一个

unipre

没有BOM的字符串。然后，您可以使用

s = u.enpre("utf-8")

以在中获取普通UTF-8编码的字符串

s

。如果文件很大，则应避免将它们全部读入内存。BOM只是文件开头的三个字节，因此您可以使用以下代码将其从文件中删除：

import os, sys, precsBUFSIZE = 4096BOMLEN = len(precs.BOM_UTF8)path = sys.argv[1]with open(path, "r+b") as fp:    chunk = fp.read(BUFSIZE)    if chunk.startswith(precs.BOM_UTF8):        i = 0        chunk = chunk[BOMLEN:]        while chunk: fp.seek(i) fp.write(chunk) i += len(chunk) fp.seek(BOMLEN, os.SEEK_CUR) chunk = fp.read(BUFSIZE)        fp.seek(-BOMLEN, os.SEEK_CUR)        fp.truncate()

它打开文件，读取一个块，并将其比读取它的位置早3个字节写入文件。该文件被原位重写。较简单的解决方案是将较短的文件写入新文件，例如newtover的answer。那会更简单，但是在短时间内使用两倍的磁盘空间。

至于猜测编码，则可以从最具体到最不具体遍历整个编码：

def depre(s):    for encoding in "utf-8-sig", "utf-16":        try: return s.depre(encoding)        except UnipreDepreError: continue    return s.depre("latin-1") # will always work

UTF-16编码的文件不会解码为UTF-8，因此我们首先尝试使用UTF-8。如果失败，那么我们尝试使用UTF-16。最后，我们使用Latin-1-这将始终有效，因为所有256个字节在Latin-1中都是合法值。

None

在这种情况下，您可能想要返回，因为这实际上是一个后备，并且您的代码可能想要更仔细地处理（如果可以）。