UTF-8 HTML и CSS файлы с спецификацией (и как удалить спецификацию с Python)

Во-первых, некоторый фон: я разрабатываю веб-приложение с использованием Python. Все мои (текстовые) файлы хранятся в UTF-8 с помощью спецификации. Сюда входят все мои HTML-шаблоны и файлы CSS. Эти ресурсы хранятся как двоичные данные (спецификация и все) в моей БД.

Когда я извлекаю шаблоны из БД, я их декодирую, используя template.decode('utf-8'). Когда HTML появляется в браузере, спецификация присутствует в начале тела ответа HTTP. Это вызывает очень интересную ошибку в Chrome:

Extra <html> encountered. Migrating attributes back to the original <html> element and ignoring the tag.

Кажется, что Chrome генерирует тег <html> автоматически, когда видит спецификацию и ошибочно принимает ее за контент, что делает реальный тег <html> ошибкой.

Итак, используя Python, какой лучший способ удалить спецификацию из моих закодированных в UTF-8 шаблонов (если они существуют - я не могу гарантировать это в будущем)?

Для других текстовых файлов, таких как CSS, основные браузеры правильно интерпретируют (или игнорируют) спецификацию? Они отправляются как простые двоичные данные без .decode('utf-8').

Примечание. Я использую Python 2.5.

Спасибо!

Ответ 1

Поскольку вы указываете:

Все мои (текстовые) файлы в настоящее время хранится в UTF-8 со спецификацией

затем используйте кодек 'utf-8-sig' для их декодирования:

>>> s = u'Hello, world!'.encode('utf-8-sig')
>>> s
'\xef\xbb\xbfHello, world!'
>>> s.decode('utf-8-sig')
u'Hello, world!'

Он автоматически удаляет ожидаемую спецификацию и работает правильно, если спецификация тоже отсутствует.

Ответ 2

Проверьте первый символ после декодирования, чтобы увидеть, является ли это спецификацией:

if u.startswith(u'\ufeff'):
  u = u[1:]

Ответ 3

Ранее принятый ответ WRONG.

u'\ufffe' не является символом. Если вы получите его в строке юникода, кто-то сильно наполнился.

Спецификация (так называемое ЗЕРНО-ШИРИННОЕ ЗОНЫ) - u'\ufeff'

>>> UNICODE_BOM = u'\N{ZERO WIDTH NO-BREAK SPACE}'
>>> UNICODE_BOM
u'\ufeff'
>>>

Прочитайте this (поиск по BOM) (Ctrl-F) и это и this (поиск по BOM) (Ctrl-F).

Здесь правильный и опечаток/мозговой резистентный ответ:

Декодируйте свой вход в unicode_str. Затем сделайте следующее:

# If I mistype the following, it very likely to cause a SyntaxError.
UNICODE_BOM = u'\N{ZERO WIDTH NO-BREAK SPACE}'
if unicode_str and unicode_str[0] == UNICODE_BOM:
    unicode_str = unicode_str[1:]

Бонус: использование именованной константы дает читателям немного больше информации о том, что происходит, чем набор кажущихся произвольными гексоглификами.

Обновление К сожалению, в стандартной библиотеке Python, похоже, нет подходящей именованной константы.

Увы, модуль кодеков обеспечивает только "ловушку и заблуждение":

>>> import pprint, codecs
>>> pprint.pprint([(k, getattr(codecs, k)) for k in dir(codecs) if k.startswith('BOM')])
[('BOM', '\xff\xfe'),   #### aarrgghh!! ####
 ('BOM32_BE', '\xfe\xff'),
 ('BOM32_LE', '\xff\xfe'),
 ('BOM64_BE', '\x00\x00\xfe\xff'),
 ('BOM64_LE', '\xff\xfe\x00\x00'),
 ('BOM_BE', '\xfe\xff'),
 ('BOM_LE', '\xff\xfe'),
 ('BOM_UTF16', '\xff\xfe'),
 ('BOM_UTF16_BE', '\xfe\xff'),
 ('BOM_UTF16_LE', '\xff\xfe'),
 ('BOM_UTF32', '\xff\xfe\x00\x00'),
 ('BOM_UTF32_BE', '\x00\x00\xfe\xff'),
 ('BOM_UTF32_LE', '\xff\xfe\x00\x00'),
 ('BOM_UTF8', '\xef\xbb\xbf')]
>>>

Обновление 2 Если вы еще не декодировали свой вход и хотите проверить его на спецификацию, вам нужно проверить наличие TWOstrong > разных спецификаций для UTF-16 и не менее TWOstrong > разных спецификаций для UTF-32. Если бы был только один способ, то вам не нужна спецификация, не так ли?

Здесь verbatim unprettified из моего собственного кода - это мое решение:

def check_for_bom(s):
    bom_info = (
        ('\xFF\xFE\x00\x00', 4, 'UTF-32LE'),
        ('\x00\x00\xFE\xFF', 4, 'UTF-32BE'),
        ('\xEF\xBB\xBF',     3, 'UTF-8'),
        ('\xFF\xFE',         2, 'UTF-16LE'),
        ('\xFE\xFF',         2, 'UTF-16BE'),
        )
    for sig, siglen, enc in bom_info:
        if s.startswith(sig):
            return enc, siglen
    return None, 0

Вход s должен состоять как минимум из первых 4 байтов вашего ввода. Он возвращает кодировку, которая может использоваться для декодирования части послепечатной части вашего ввода, плюс длина спецификации (если она есть).

Если вы параноик, вы можете разрешить еще 2 (нестандартных) заказа UTF-32, но Python не предоставляет кодировку для них, и я никогда не слышал о реальном возникновении, поэтому я не беспокоить.

Ответ 4

Вы можете использовать что-то похожее для удаления спецификации:

import os, codecs
def remove_bom_from_file(filename, newfilename):
    if os.path.isfile(filename):
        # open file
        f = open(filename,'rb')

        # read first 4 bytes
        header = f.read(4)

        # check if we have BOM...
        bom_len = 0
        encodings = [ ( codecs.BOM_UTF32, 4 ),
            ( codecs.BOM_UTF16, 2 ),
            ( codecs.BOM_UTF8, 3 ) ]

        # ... and remove appropriate number of bytes    
        for h, l in encodings:
            if header.startswith(h):
                bom_len = l
                break
        f.seek(0)
        f.read(bom_len)

        # copy the rest of file
        contents = f.read() 
        nf = open(newfilename)
        nf.write(contents)
        nf.close()