php -- PHP5中file_get_contents函數獲取帶BOM的utf-8文件內容

最近，在用file_get_contents函數來取得文本的內容的時候，出現了一個情況（如下），苦思冥想了n久，不得其解，最后，果然還是得靠百度啊.....

 

百度到一個解釋，下面是原文：

PHP5中的file_get_contents函數獲取文件內容，實際是按二進制來讀取的，所以，當你用file_get_contents去獲取一個帶BOM的UTF-8文件時，它並不會把UTF-8的BOM去掉，當你把讀取的內容當作文本內容來進行一些操作時，可能會發生一些意想不到的結果。這並不能算作一個BUG，因為file_get_contents函數讀取文件的時候，是按二進制來讀取的，讀取到的內容是包含BOM的，而用戶操作的時候，想當然的以為讀取到的內容是不包含BOM的文本內容（如用記事本打開后看到的內容），因為BOM在編輯軟件中是不可見的，只有在十六進制模式下才可以看見，問題也就出在這，實際上是由於“操作不統一”造成的。

當對UTF-8編碼的文件進行操作時，如果要把讀取的內容當作文本內容來處理，最好先對BOM進行一些處理，這個問題在PHP6中得到了解決（可以設置文本/二進制讀取模式)，有興趣的朋友

可以自己查找PHP6的手冊。

 

一個較簡單的解決方法：

1 <?php
2 $dataStr = file_get_contents('test.txt');
3 if (strpos($dataStr, "\xEF\xBB\xBF") === 0) { //\x表示16進制
4     $dataStr = substr($dataStr, 3);
5 }
6 // 對$dataStr進行操作
7 ?>

 

或者用正則來處理：

1 <?php
2 $dataStr = file_get_contents('test.txt');
3 if (preg_match('/^\xEF\xBB\xBF/', $dataStr)) {//\x表示16進制
4 　　$dataStr = substr($dataStr, 3); 
5 } 
6 // 對$dataStr進行操作 
7 ?>

 

 

什么是BOM?

BOM是Byte Order Mark的縮寫，即字節順序標記，它是插入到UTF-8，UTF-16或UTF-32編碼的Unicode文件開頭的特殊標記，用來標識Unicode文件的編碼類型。

 

幾種編碼對應的BOM：

EF BB BF        UTF-8
FE FF             UTF-16 (big-endian)
FF FE             UTF-16 (little-endian)
00 00 FE FF　UTF-32 (big-endian)
FF FE 00 00　UTF-32 (little-endian)

 

對於UTF-8編碼的文件而言，BOM標記是可有可無的，Windows自帶的記事本文件在保存為UTF-8編碼時，會自動加上BOM，現在一些編輯軟件，可以在保存為UTF-8編碼時可以選擇是否帶

BOM保存。

 

對於PHP文件，在使用UTF-8編碼時，最好都不要BOM保存。因為當你使用include/require/include_once/require_once這些函數去包含一個帶BOM的文件時，你得到的網頁，在某些兼容性

不是很好的瀏覽器下，你會發現你的網頁的實際顯示效果跟預期的有細微的差別。