Как бы выглядел скрипт awk
(предположительно однострочный) для удаления спецификации ?
Спецификация:
NR > 1
) #FE #FF
или #FF #FE
, удалите их и распечатайте остальные Попробуй это:
awk 'NR==1{sub(/^\xef\xbb\xbf/,"")}{print}' INFILE > OUTFILE
На первой строке (строке) удалите символы спецификации. Распечатайте каждую запись.
Или немного короче, используя знания о том, что действие по умолчанию в awk должно печатать запись:
awk 'NR==1{sub(/^\xef\xbb\xbf/,"")}1' INFILE > OUTFILE
1
– кратчайшее условие, которое всегда оценивается как true, поэтому каждая запись печатается.
Наслаждайтесь!
– ДОБАВЛЕНИЕ –
Частота юникодного байта (BOM) FAQ включает в себя следующую таблицу с указанием точных байтов спецификации для каждой кодировки:
Bytes | Encoding Form -------------------------------------- 00 00 FE FF | UTF-32, big-endian FF FE 00 00 | UTF-32, little-endian FE FF | UTF-16, big-endian FF FE | UTF-16, little-endian EF BB BF | UTF-8
Таким образом, вы можете видеть, как \xef\xbb\xbf
соответствует \xef\xbb\xbf
UTF-8
EF BB BF
из приведенной выше таблицы.
Использование GNU sed
(на Linux или Cygwin):
# Removing BOM from all text files in current directory: sed -i '1 s/^\xef\xbb\xbf//' *.txt
На FreeBSD:
sed -i .bak '1 s/^\xef\xbb\xbf//' *.txt
Преимущество использования команды GNU или FreeBSD: параметр -i
означает «на месте» и будет обновлять файлы без необходимости перенаправления или странных трюков.
На Mac:
Это awk
решение в другом ответе работает , но команда sed
выше не работает. В документации по Mac (Sierra) sed
не упоминается поддержка шестнадцатеричного экранирования ala \xef
.
Подобный трюк может быть достигнут с помощью любой программы путем прокладки трубопровода к sponge
инструменту из moreutils :
awk '…' INFILE | sponge INFILE
Не awk, но проще:
tail -c +4 UTF8 > UTF8.nobom
Чтобы проверить спецификацию:
hd -n 3 UTF8
Если присутствует спецификация, вы увидите: 00000000 ef bb bf ...
Помимо преобразования концов линий CRLF в LF, dos2unix
также удаляет спецификации:
dos2unix *.txt
dos2unix
также преобразует файлы UTF-16 с BOM (но не файлы UTF-16 без спецификации) в UTF-8 без спецификации:
$ printf '\ufeffä\n'|iconv -f utf-8 -t utf-16be>bom-utf16be $ printf '\ufeffä\n'|iconv -f utf-8 -t utf-16le>bom-utf16le $ printf '\ufeffä\n'>bom-utf8 $ printf 'ä\n'|iconv -f utf-8 -t utf-16be>utf16be $ printf 'ä\n'|iconv -f utf-8 -t utf-16le>utf16le $ printf 'ä\n'>utf8 $ for f in *;do printf '%11s %s\n' $f $(xxd -p $f);done bom-utf16be feff00e4000a bom-utf16le fffee4000a00 bom-utf8 efbbbfc3a40a utf16be 00e4000a utf16le e4000a00 utf8 c3a40a $ dos2unix -q * $ for f in *;do printf '%11s %s\n' $f $(xxd -p $f);done bom-utf16be c3a40a bom-utf16le c3a40a bom-utf8 c3a40a utf16be 00e4000a utf16le e4000a00 utf8 c3a40a
Я знаю, что вопрос был направлен на unix / linux, подумал, что стоит упомянуть хороший вариант для unix-challenge (на окнах с пользовательским интерфейсом).
Я столкнулся с той же проблемой в проекте WordPress (спецификация вызывала проблемы с rss-каналом и проверкой страницы), и мне пришлось изучить все файлы в довольно большом дереве каталогов, чтобы найти тот, который был с спецификацией. Нашел приложение под названием Replace Pioneer и в нем:
Batch Runner -> Поиск (чтобы найти все файлы в подпапках) -> Replace Template -> Binary удалить спецификацию (для этого есть готовый шаблон поиска и замены).
Это было не самое элегантное решение, и для этого требовалось установить программу, которая является недостатком. Но как только я узнал, что происходит вокруг, он работал как шарм (и нашел 3 файла из примерно 2300, которые были с BOM).