Использование awk для удаления знака Byte-order

Ответ 1

Попробуйте следующее:

awk 'NR==1{sub(/^\xef\xbb\xbf/,"")}{print}' INFILE > OUTFILE

В первой строке (строке) удалите символы спецификации. Распечатайте каждую запись.

Или немного короче, используя знание 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 -

Часто задаваемые вопросы по порядковому номеру байта Юникода (BOM) включает 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 EF BB BF UTF-8 байтам BOM из приведенной выше таблицы.

Ответ 2

Использование GNU sed (в Linux или Cygwin):

# Removing BOM from all text files in current directory:
sed -i '1 s/^\xef\xbb\xbf//' *.txt

В FreeBSD:

sed -i .bak '1 s/^\xef\xbb\xbf//' *.txt

Преимущество использования GNU или FreeBSD sed: параметр -i означает "на месте" и будет обновлять файлы без необходимости перенаправления или странных трюков.

На Mac:

Это решение awk в другом ответе работает, но команда sed выше не работает. По крайней мере, в документации Mac (Sierra) sed не упоминается поддержка шестнадцатеричного экранирования ala \xef.

Аналогичный трюк может быть достигнут с любой программой путем подключения к инструменту sponge из moreutils:

awk '…' INFILE | sponge INFILE

Ответ 3

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 ...

Ответ 4

В дополнение к преобразованию концов линии 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

Ответ 5

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 Заменить Pioneer и в нем:

Batch Runner → Поиск (для поиска всех файлов в подпапках) → Replace Template → Binary remove BOM (для этого есть готовый поиск и замена шаблона).

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).