我有两个以 UTF-8 编码(带/不带 BOM)的文件:
/tmp/bom$ ls
list.bom.txt list.nobom.txt
/tmp/bom$ cat list.nobom.txt
apple
banana
avocado
寿司
melon
/tmp/bom$ diff list.nobom.txt list.bom.txt
1c1
< apple
---
> apple
/tmp/bom$ file list.nobom.txt list.bom.txt
list.nobom.txt: UTF-8 Unicode text
list.bom.txt: UTF-8 Unicode (with BOM) text
两个文件之间的唯一区别是标头 BOM EF BB BF
。
然后,为了过滤以“a”开头的行,我使用插入符号编写了一个简短的 awk 脚本。
/tmp/bom$ gawk '/^a.*/' list.nobom.txt
apple
avocado
/tmp/bom$ gawk '/^a.*/' list.bom.txt
avocado
不幸的是,对于 header BOM,apple
第一行被忽略。
因此,我的问题是:有什么办法可以处理这个问题吗?
我考虑三种解决方案:
直接写入BOM字节。例如,
gawk 'BEGIN { pat = "^(\xef\xbb\xbf)?a.*" } $0 ~ pat { print }'
以 UTF-8 工作。但是,这不处理其他编码。此外,如果有 U+FEFF 用作零宽度非中断空间(请参阅注释),则上述脚本在某些情况下会失败。
通过使用 重新编码来删除 BOM 字节
nkf
。例如,nkf --oc=UTF-8 list.bom.txt | gawk '/^a.*/'
作品。不过我想知道是否有更复杂的方法。
[添加] 这是第一个的改进,使用 bash 功能。
gawk -v bom="$(echo -e '\uFEFF')" ' NR == 1 { pat = "^" bom; sub(pat, "") } /^a.*/ { print } '
这适用于带/不带 BOM 的 UTF-8。然而,这在我的环境中不适用于 UTF-16。所以,第二种方案更好。
grep
而且,我认为这也是使用正则表达式匹配的、sed
或其他脚本的问题。因此,如果有一个通用的解决方案,那就更感激了。
答案1
BOM 在 UTF-8 中没有意义。这些通常是由 Microsoft 操作系统上的虚假软件错误添加的。
dos2unix
将删除它并处理 Windows 文本文件的其他特性。
dos2unix < file.win.txt | awk ...