Byte Order Mark

La marca de orden de bytes (BOM) es el carácter U+FEFF colocado al inicio de un texto Unicode para indicar la forma de codificación y el orden de bytes.

Propósito

Permite a un decodificador detectar automáticamente la codificación del texto y el orden de bytes sin metadatos externos.

Mecanismo

Cada codificación produce una secuencia BOM distinta: UTF-8 = EF BB BF, UTF-16LE = FF FE, UTF-16BE = FE FF, UTF-32LE = FF FE 00 00, UTF-32BE = 00 00 FE FF. Un decodificador lee los primeros 2-4 bytes y los compara.

Casos de uso

Detección de codificación en editores de texto
Intercambio de archivos de texto entre sistemas
Identificación de codificación para importaciones de bases de datos
Manejo de archivos CSV en Excel

Ejemplos

entrada
```
UTF-16LE file
```
Output
```
FF FE ...
```
Leading bytes FF FE indicate little-endian UTF-16

Errores comunes

Mistaking a UTF-8 BOM for data content: Detect and strip the BOM when reading

Términos relacionados

El BOM (marca de orden de bytes) es el carácter Unicode U+FEFF, colocado al inicio de un flujo de texto para indicar la forma de codificación y el orden de bytes.

El endianness es el orden de bytes de los valores multibyte en memoria: big-endian almacena primero el byte más significativo, little-endian primero el menos significativo.

UTF-16 es la forma de codificación de longitud variable de Unicode que usa 2 o 4 bytes por punto de código: los caracteres del BMP ocupan una unidad de código de 16 bits y los del plano suplementario, un par sustituto (2 unidades).

UTF-8 es la forma de codificación de longitud variable de Unicode que usa de 1 a 4 bytes por punto de código; es totalmente retrocompatible con ASCII y el estándar de facto de la web y de los sistemas modernos.

Herramientas relacionadas

Detector de codificación

Comprueba la codificación del texto: subconjunto ASCII, BOM de UTF-8 y caracteres no ASCII. La entrada de texto siempre se recodifica como UTF-8, por lo que las codificaciones heredadas (GBK/Big5/Shift-JIS) no se pueden distinguir. Gratis, privado, 100% del lado del cliente.

Referencia de juegos de caracteres

Reference table of character encodings. Gratis, privado, 100% del lado del cliente.

References