Java 處理帶 BOM 的文本檔案完整指南

什麼是 BOM (Byte Order Mark)?

BOM（Byte Order Mark，位元組順序標記）是位於 Unicode 編碼文件開頭的特殊標記，用於識別文件的編碼類型與位元組序（Big-endian 或 Little-endian）。雖然 UTF-8 不強制要求 BOM，但許多 Windows 工具（如記事本）儲存 UTF-8 時會自動插入 BOM（EF BB BF），這在程式處理時常造成不可見的干擾。

常見編碼的 BOM 對照表

Java 中手動移除 UTF-8 BOM 範例

早期 JDK（1.5 及之前）無法自動處理帶 BOM 的 UTF-8 檔案，解析 XML 會拋出 Content is not allowed in prolog 異常。常見的手動處理方式是讀取後跳過前 3 個位元組：

String xmla = StringFileToolkit.file2String(new File("D:\\projects\\mailpost\\src\\a.xml"), "UTF-8");
byte[] b = xmla.getBytes("UTF-8");
// 跳過前 3 個位元組 (EF BB BF)
String xml = new String(b, 3, b.length - 3, "UTF-8");
Document doc1 = DocumentHelper.parseText(xml);
// 後續 DOM4J 解析...

通用解決方案：UnicodeReader

手動處理易出錯且不支援多種編碼。社區已有成熟工具 UnicodeReader，可自動偵測並移除各類 BOM，回傳乾淨的字串：

專案網址：https://koti.mbnet.fi/akini/java/unicodereader/

使用方式簡單，只需以 UnicodeReader 取代 InputStreamReader 即可：

Reader reader = new UnicodeReader(new FileInputStream(file), "UTF-8");
// 直接讀取，BOM 已自動移除

不同平台與工具對 BOM 的行為差異

• Windows 記事本：儲存 UTF-8 時自動加入 BOM。
• EditPlus / Notepad++：可選擇「UTF-8 無 BOM」儲存。
• Linux/Unix：傳統上不使用 BOM，避免破壞 ASCII 相容性與 Shell 腳本語法。
• JDK 1.6+：InputStreamReader 已支援 UTF-8 BOM 自動處理，但舊版專案仍需注意。

XML 標準與 BOM

W3C 規定 XML 解析器判斷編碼優先順序：

1. 若有 BOM，依 BOM 判定編碼；
2. 無 BOM 時，讀取 XML 宣告的 encoding 屬性；
3. 以上皆無，預設為 UTF-8。

因此，產出 XML 時建議「不含 BOM + 明確宣告 encoding」，可最大相容性。

最佳實務建議

1. 專案統一規範：源碼、設定檔、資料檔一律使用 UTF-8 無 BOM。
2. 若必須處理外部帶 BOM 檔案，採用 UnicodeReader 或 Apache Commons IO BOMInputStream 統一處理。
3. 建置流程中加入檢查步驟（如 file -i 或自訂腳本），防止 BOM 混入。

掌握 BOM 特性並採用正確工具，即可避免「不可見字元」帶來的難以除錯問題。