Interested Article - Маркер последовательности байтов

Маркер последовательности байтов или метка порядка байтов ( англ. byte order mark, BOM ) — специальный символ из стандарта Юникод , вставляемый в начало текстового файла или потока для обозначения того, что в файле (потоке) используется Юникод, а также для косвенного указания кодировки и порядка байтов , с помощью которых символы Юникода были закодированы. Номер этого символа в стандарте Юникод — U+FEFF . Использование этого символа, согласно спецификации Юникод, не является обязательным, однако оно широко распространено, так как позволяет легко избежать неверного декодирования текстовой информации.

Использование

Согласно спецификации Юникода, маркер может стоять только в самом начале файла или потока. Если же символ U+FEFF встречается в середине потока данных, он должен ^{[

источник не указан 1943 дня

]} интерпретироваться как «нулевой ширины неразрывный пробел» (по существу, неотображаемый и ничего не меняющий символ). Однако, большинство ^{[

сколько?

]} браузеров, кроме Opera версий 12 и ниже, воспринимают BOM в середине документа как символ, занимающий целую строку, после чего генерируют перенос строки .

Для неразрывного пробела нулевой ширины в Юникоде есть и отдельный специальный символ — U+2060 , который и рекомендуется использовать в этом качестве, а маркер последовательности байтов U+FEFF рекомендуется использовать только по своему прямому назначению.

Если формат представления символов Юникода точно известен принимающей программе заранее, то по стандарту Юникода маркер ставить не следует. И если формат объявлен другим способом (например, MIME в поле заголовка Content-Type ), маркер по стандарту ставить не полагается.

Определение кодировки по маркеру последовательности байтов

По тому, как закодирован маркер последовательности байтов, стоящий в начале файла или потока, можно легко определить кодировку и порядок байтов, использованные для кодирования символов Юникода во всём данном файле или потоке. Это обстоятельство в основном и явилось причиной широкого использования маркера последовательности байтов.

Кодировка	Представление маркера последовательности байтов		Представление маркера при ошибочном раскодировании другой кодировкой
Кодировка	Шестнадцатеричный код	Десятичный код	ISO-8859-1	KOI8-R	CP1251	CP866	комментарий
UTF-8	`EF BB BF`	`239 187 191`	`ï»¿`	`О╩©`	`п»ї`	`я╗┐`
UTF-16 ( BE )	`FE FF`	`254 255`	`þÿ`	`ЧЪ`	`юя`	`■`	пробел — неразрывный
UTF-16 ( LE )	`FF FE`	`255 254`	`ÿþ`	`ЪЧ`	`яю`	`■`	пробел — неразрывный
UTF-32 (BE)	`00 00 FE FF`	`0 0 254 255`	`␀␀þÿ`	`␀␀ЧЪ`	`␀␀юя`	`␀␀■`	␀ — NUL , пробел — неразрывный
UTF-32 (LE)	`FF FE 00 00`	`255 254 0 0`	`ÿþ␀␀`	`ЪЧ␀␀`	`яю␀␀`	`■␀␀`	␀ — NUL , пробел — неразрывный
UTF-7	`2B 2F 76 38 2B 2F 76 39 2B 2F 76 2B 2B 2F 76 2F`	`43 47 118 56 43 47 118 57 43 47 118 43 43 47 118 47`	`+/v8 +/v9 +/v+ +/v/`
	`F7 64 4C`	`247 100 76`	`÷dL`
UTF-EBCDIC	`DD 73 66 73`	`221 115 102 115`	`Ýsfs`
	`0E FE FF`	`14 254 255`	`␎þÿ`			`␎■`	␎ — упр. символ (англ.) ( , пробел — неразрывный
	`FB EE 28`	`251 238 40`	`ûî`			`√ю(`
	`84 31 95 33`	`132 49 149 51`	`�1�3`			`Д1Х3`	� — коды без значений

↑ В этих кодировках последовательность не определяет именно порядок байтов, так как кодировка однобайтная, но эта последовательность может использоваться для определения способа кодировки.
В UTF-7 в связи с использованием base-64 четвёртый байт BOM является 001111xx в двоичном представлении, где xx зависит от следующего символа (первого после BOM). Поэтому четвёртый байт не является только частью BOM, но также содержит информацию о следующем (не BOM-) символе. Для xx=00 , 01 , 10 , 11 четвёртый байт будет, соответственно, 38 , 39 , 2B или 2F при кодировке в base64. Если же следующий символ не кодируется base64, то используется 38 в качестве четвёртого байта, а следующий байт — 2D .
SCSU предусматривает и другие кодировки для U+FEFF, указанная последовательность является рекомендованной в UTR #6.

Сложности, которые необходимо учитывать при использовании маркера

Есть случаи, когда использования маркера последовательности байтов следует избегать, несмотря на удобства его применения. Например, использование маркера в веб-шаблонах вызывает появление пустых строк в документе, поэтому рекомендуется удалять маркер из веб-скриптов и CSS -файлов. А наличие маркера в начале файлов PHP (до тега <?php ) приводит к тому, что пустая строка отправляется клиенту ещё до начала выполнения кода, что вызывает сбой в тех случаях, когда клиенту должен сразу отправиться HTTP-заголовок (при переадресации запроса, например). Также может неверно отрабатывать json_decode , если json записан в файл с BOM.