在Python中将没有BOM的UTF-8转换为带有BOM的UTF-8

Question 1

这里有两个问题。我有一组文件，这些文件通常是带有BOM的UTF-8。我想将它们（理想情况下）转换为没有BOM的UTF-8。似乎codecs.StreamRecoder(stream, encode, decode, Reader, Writer, errors)可以解决这个问题。但是我真的看不到任何有关用法的好例子。这将是处理此问题的最佳方法吗？

source files:
Tue Jan 17$ file brh-m-157.json 
brh-m-157.json: UTF-8 Unicode (with BOM) text

同样，如果我们能够处理清楚知道的不同输入编码（看到的ASCII和UTF-16），那将是理想的。看来这一切都是可行的。是否有一种解决方案可以采用任何已知的Python编码并以UTF-8格式输出而无需BOM？

从下面编辑1个建议的sol'n（谢谢！）

fp = open('brh-m-157.json','rw')
s = fp.read()
u = s.decode('utf-8-sig')
s = u.encode('utf-8')
print fp.encoding  
fp.write(s)

这给了我以下错误：

IOError: [Errno 9] Bad file descriptor

新闻快讯

有人在评论中告诉我，错误是我以'rw'模式而不是'r +'/'r + b'模式打开文件，因此我最终应重新编辑问题并删除已解决的部分。

Question 2

只需使用“ utf-8-sig”编解码器：

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

这样就可以得到一个unicode没有BOM的字符串。然后，您可以使用

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

以便在中获取普通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, codecs

BUFSIZE = 4096
BOMLEN = len(codecs.BOM_UTF8)

path = sys.argv[1]
with open(path, "r+b") as fp:
    chunk = fp.read(BUFSIZE)
    if chunk.startswith(codecs.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 decode(s):
    for encoding in "utf-8-sig", "utf-16":
        try:
            return s.decode(encoding)
        except UnicodeDecodeError:
            continue
    return s.decode("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）。

Question 3

在Python 3中，这非常简单：读取文件并使用utf-8编码重写：

s = open(bom_file, mode='r', encoding='utf-8-sig').read()
open(bom_file, mode='w', encoding='utf-8').write(s)

Question 4

import codecs
import shutil
import sys

s = sys.stdin.read(3)
if s != codecs.BOM_UTF8:
    sys.stdout.write(s)

shutil.copyfileobj(sys.stdin, sys.stdout)

Question 5

这是我的实现，可以在不使用BOM的情况下将任何类型的编码转换为UTF-8，并用通用格式替换Windows Enline：

def utf8_converter(file_path, universal_endline=True):
    '''
    Convert any type of file to UTF-8 without BOM
    and using universal endline by default.

    Parameters
    ----------
    file_path : string, file path.
    universal_endline : boolean (True),
                        by default convert endlines to universal format.
    '''

    # Fix file path
    file_path = os.path.realpath(os.path.expanduser(file_path))

    # Read from file
    file_open = open(file_path)
    raw = file_open.read()
    file_open.close()

    # Decode
    raw = raw.decode(chardet.detect(raw)['encoding'])
    # Remove windows end line
    if universal_endline:
        raw = raw.replace('\r\n', '\n')
    # Encode to UTF-8
    raw = raw.encode('utf8')
    # Remove BOM
    if raw.startswith(codecs.BOM_UTF8):
        raw = raw.replace(codecs.BOM_UTF8, '', 1)

    # Write to file
    file_open = open(file_path, 'w')
    file_open.write(raw)
    file_open.close()
    return 0

Question 6

您可以使用编解码器。

import codecs
with open("test.txt",'r') as filehandle:
    content = filehandle.read()
if content[:3] == codecs.BOM_UTF8:
    content = content[3:]
print content.decode("utf-8")

Question 7

我发现了这个问题，因为configparser.ConfigParser().read(fp)在打开带有UTF8 BOM头文件时遇到了麻烦。

对于那些正在寻找一种解决方案来删除标头，以便ConfigPhaser可以打开配置文件而不是报告错误：的用户 File contains no section headers，请按以下方式打开文件：

configparser.ConfigParser().read(config_file_path, encoding="utf-8-sig")

通过不必删除文件的BOM表头，可以节省大量的工作量。

（我知道这听起来无关紧要，但是希望这可以帮助像我一样挣扎的人们。）