Java处理带BOM的文本

 　下面举个例子，针对UTF-8的文件BOM做个处理：
　　String　xmla　=　StringFileToolkit.file2String(new　File("D:""projects""mailpost""src""a.xml"),"UTF-8");
　　byte[]　b　=　xmla.getBytes("UTF-8");
　　String　xml　=　new　String(b,3,b.length-3,"UTF-8");
　　Document　doc1　=　DocumentHelper.parseText(xml);
　　Element　e1　=　(Element)doc1.selectSingleNode("/ResponseData/Body/RetDesc");
　　Element　e2　=　(Element)doc1.selectSingleNode("/ResponseData/Head/RespID");
　　Element　e3　=　(Element)doc1.selectSingleNode("/ResponseData/Body/RetCode");
　　Element　e4　=　(Element)doc1.selectSingleNode("/ResponseData/Body/RetDesc");
　　思路是：先按照UTF-8编码读取文件后，跳过前三个字符，重新构建一个新的字符串，然后用Dom4j解析处理，这样就不会报错了。
　　其他编码的方式处理思路类似，其实可以写一个通用的自动识别的BOM的工具，去掉BOM信息，返回字符串。
　　不过这个处理过程已经有牛人解决过了：http://koti.mbnet.fi/akini/java/unicodereader/
　　什么是BOM
　　BOM（byte-order mark），即字节顺序标记，它是插入到以UTF-8、UTF16或UTF-32编码Unicode文件开头的特殊标记，用来识别Unicode文件的编码类型。对于UTF-8来说，BOM并不是必须的，因为BOM用来标记多字节编码文件的编码类型和字节顺序（big-endian或little-endian）。
　　在绝大多数编辑器中都看不到BOM字符，因为它们能理解Unicode，去掉了读取器看不到的题头信息。若要查看某个Unicode文件是否以BOM开头，可以使用十六进制编辑器。下表列出了不同编码所对应的BOM。
　　BOM　　Encoding
　　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)
　　BOM的来历
　　为了识别 Unicode 文件，Microsoft 建议所有的 Unicode 文件应该以 ZERO WIDTH NOBREAK SPACE（U+FEFF）字符开头。这作为一个"特征符"或"字节顺序标记（byte-order mark，BOM）"来识别文件中使用的编码和字节顺序。
　　不同的系统对BOM的支持
　　因为一些系统或程序不支持BOM，因此带有BOM的Unicode文件有时会带来一些问题。
　　1.JDK1.5以及之前的Reader都不能处理带有BOM的UTF-8编码的文件，解析这种格式的xml文件时，会抛出异常：Content is not allowed in prolog.Linux/UNIX 并没有使用 BOM，因为它会破坏现有的 ASCII 文件的语法约定。
　　不同的编辑工具对BOM的处理也各不相同。使用Windows自带的记事本将文件保存为UTF-8编码的时候，记事本会自动在文件开头插入BOM（虽然BOM对UTF-8来说并不是必须的），但是editplus就不会这样做。
　　BOM与XML
　　XML解析读取XML文档时，W3C定义了3条规则：
　　1.如果文档中有BOM，就定义了文件编码；如果文档中没有BOM，就查看XML声明中的编码属性；如果上述两者都没有，就假定XML文档采用UTF-8编码。