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.

ИспользованиеПравить

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 1612 дней]} 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^[1].

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 байтовПравить

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
Шестнадцатеричный код	Десятичный код	ISO-8859-1	KOI8-R	CP1251	CP866	комментарий
UTF-8^{[t 1]}	`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`	`■`
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␀␀`	`■␀␀`
UTF-7^{[t 1]}	`2B 2F 76 38 2B 2F 76 39 2B 2F 76 2B 2B 2F 76 2F`^{[t 2]}	`43 47 118 56 43 47 118 57 43 47 118 43 43 47 118 47`	`+/v8 +/v9 +/v+ +/v/`
UTF-1^{[t 1]}	`F7 64 4C`	`247 100 76`	`÷dL`
UTF-EBCDIC^{[t 1]}	`DD 73 66 73`	`221 115 102 115`	`Ýsfs`
SCSU^{[t 1]}	`0E FE FF`^{[t 3]}	`14 254 255`	`␎þÿ`			`␎■`	␎ — упр. символ Shift Out (англ.) (рус., пробел — неразрывный
BOCU-1^{[t 1]}	`FB EE 28`	`251 238 40`	`ûî`			`√ю(`
GB-18030^{[t 1]}	`84 31 95 33`	`132 49 149 51`	`�1�3`			`Д1Х3`	� — коды без значений

↑ ¹ ² ³ ⁴ ⁵ ⁶ ⁷ В этих кодировках последовательность не определяет именно порядок байтов, так как кодировка однобайтная, но эта последовательность может использоваться для определения способа кодировки.^[2]^[3]
↑ 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.^[4]

Сложности, которые необходимо учитывать при использовании маркераПравить

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).^[5] Также может неверно отрабатывать json_decode, если json записан в файл с BOM.

ПримечанияПравить

↑ The byte-order mark (BOM) in HTML (англ.). www.w3.org. Дата обращения: 19 сентября 2018. Архивировано 17 августа 2018 года.
↑ FAQ - UTF-8, UTF-16, UTF-32 & BOM: Can a UTF-8 data stream contain the BOM character (in UTF-8 form)? If yes, then can I still assume the remaining UTF-8 bytes are in big-endian order? (неопр.) Дата обращения: 4 января 2009. Архивировано 1 сентября 2012 года.
↑ STD 63: UTF-8, a transformation of ISO 10646 Архивная копия от 25 октября 2011 на Wayback Machine Byte Order Mark (BOM)
↑ UTR #6: Signature Byte Sequence for SCSU (неопр.). Дата обращения: 18 октября 2011. Архивировано 6 октября 2011 года.
↑ Potential issues with the UTF-8 BOM (неопр.). Дата обращения: 3 мая 2017. Архивировано 13 июня 2017 года.

[b-4] ¹ ² ³ ⁴ ⁵ ⁶ ⁷ В этих кодировках последовательность не определяет именно порядок байтов, так как кодировка однобайтная, но эта последовательность может использоваться для определения способа кодировки.^[2]^[3]

[5] 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.

[7] SCSU предусматривает и другие кодировки для U+FEFF, указанная последовательность является рекомендованной в UTR #6.^[4]

[1] The byte-order mark (BOM) in HTML (англ.). www.w3.org. Дата обращения: 19 сентября 2018. Архивировано 17 августа 2018 года.

[utf-8-bom-2] FAQ - UTF-8, UTF-16, UTF-32 & BOM: Can a UTF-8 data stream contain the BOM character (in UTF-8 form)? If yes, then can I still assume the remaining UTF-8 bytes are in big-endian order? (неопр.) Дата обращения: 4 января 2009. Архивировано 1 сентября 2012 года.

[3] STD 63: UTF-8, a transformation of ISO 10646 Архивная копия от 25 октября 2011 на Wayback Machine Byte Order Mark (BOM)

[6] UTR #6: Signature Byte Sequence for SCSU (неопр.). Дата обращения: 18 октября 2011. Архивировано 6 октября 2011 года.

[8] Potential issues with the UTF-8 BOM (неопр.). Дата обращения: 3 мая 2017. Архивировано 13 июня 2017 года.

[1]

[t 1]

[t 2]

[t 3]

[2]

[3]

[4]

[5]