Detector de BOM em Arquivo

Alguns arquivos de texto começam com uma marca de ordem de bytes, três a quatro bytes que declaram a codificação antes do primeiro caractere de verdade. Ela é obrigatória na prática para UTF-16 e UTF-32, onde indica a ordem dos bytes, e opcional em UTF-8, onde só serve de indicação. Como esses bytes são invisíveis em qualquer editor, um arquivo com problema de codificação não dá pista nenhuma na tela.

Escolha o arquivo e a página lê o começo dele e identifica a marca: UTF-8, UTF-16 em qualquer das duas ordens, ou UTF-32 nas duas ordens. Quando não há marca, ela diz isso — o que não significa que o arquivo seja UTF-8, apenas que ele não se declara. O arquivo é lido no próprio navegador e não é enviado a lugar nenhum.

A ordem da checagem importa mais do que parece. A marca de UTF-32 pequeno-endian começa com os mesmos dois bytes da marca de UTF-16 pequeno-endian, então testar o UTF-16 primeiro classificaria todo UTF-32 errado. É por isso que os padrões de quatro bytes são verificados antes dos de dois — detalhe fácil de errar em implementação artesanal.