Python中将带BOM的UTF-8转换为不带BOM的UTF-8

问题描述：

这里有两个问题。我有一组文件，它们通常是带 BOM 的 UTF-8。我想将它们（最好是就地）转换为不带 BOM 的 UTF-8。这似乎codecs.StreamRecoder(stream, encode, decode, Reader, Writer, errors)可以解决这个问题。但我真的没有看到任何好的使用示例。这是处理这个问题的最佳方法吗？

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

此外，如果我们可以在不明确了解的情况下处理不同的输入编码（例如 ASCII 和 UTF-16），那就太理想了。这似乎都是可行的。有没有一种解决方案可以接受任何已知的 Python 编码并以不带 BOM 的 UTF-8 输出？

编辑 下面提出的 1 个解决方案（感谢！）

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

评论中告诉我，错误在于我以模式“rw”而不是“r+”/“r+b”打开文件，所以我最终应该重新编辑我的问题并删除已解决的部分。

解决方案 1：

这个答案适用于 Python 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")

这样你就得到了一个unicode没有 BOM 的字符串。然后你可以使用

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

以将正常的 UTF-8 编码字符串恢复为s。如果您的文件很大，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它们从文件中删除：

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，并将其写入比读取位置早 3 个字节的文件。文件被就地重写。更简单的解决方案是将较短的文件写入新文件，如newtover 的答案。这会更简单，但在短时间内会占用两倍的磁盘空间。

至于猜测编码，那么您只需循环遍历从最具体到最不具体的编码即可：

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 编码的文件无法解码为 UTF-8，因此我们首先尝试使用 UTF-8。如果失败，则尝试使用 UTF-16。最后，我们使用 Latin-1 — 这始终有效，因为所有 256 个字节在 Latin-1 中都是合法值。None在这种情况下，您可能希望返回，因为这实际上是一种后备，并且您的代码可能需要更谨慎地处理此问题（如果可以的话）。

解决方案 2：

在 Python 3 中这很容易：读取文件并用utf-8编码重写它：

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

解决方案 3：

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)

解决方案 4：

我发现这个问题是因为在打开带有 UTF8 BOM 标头的文件时遇到了问题configparser.ConfigParser().read(fp)。

对于那些正在寻找解决方案来删除标题以便 ConfigPhaser 可以打开配置文件而不是报告错误的人：
File contains no section headers，请按如下方式打开文件：

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

通过这种方式，就不需要删除文件的 BOM 头，从而节省大量精力。

（我知道这听起来不相关，但希望这可以帮助像我一样苦苦挣扎的人。）

解决方案 5：

这是我的实现方法，将任何类型的编码转换为不带 BOM 的 UTF-8，并用通用格式替换 Windows 编码：

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('
', '
')
    # 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

解决方案 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")

解决方案 7：

在 python3 中你应该添加encoding='utf-8-sig'：

with open(file_name, mode='a', encoding='utf-8-sig') as csvfile:
    csvfile.writelines(rows)

就是这样。