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.

Использование

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 2331 день]} 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 байтов

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		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.], 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. В этих кодировках последовательность не определяет именно порядок байтов, так как кодировка однобайтная, но эта последовательность может использоваться для определения способа кодировки.^[2][3]
2. 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.
3. SCSU предусматривает и другие кодировки для U+FEFF, указанная последовательность является рекомендованной в UTR #6.^[4]

Сложности, которые необходимо учитывать при использовании маркера

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.

Примечания

1. The byte-order mark (BOM) in HTML (англ.). www.w3.org. Дата обращения: 19 сентября 2018. Архивировано 17 августа 2018 года.
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)
4. UTR #6: Signature Byte Sequence for SCSU  (неопр.). Дата обращения: 18 октября 2011. Архивировано 6 октября 2011 года.
5. Potential issues with the UTF-8 BOM  (неопр.). Дата обращения: 3 мая 2017. Архивировано 13 июня 2017 года.