BOM: che cos’è il Byte Order Mark?

Le informazioni inviate tramite Internet richiedono un certo ordine. Il destinatario dei dati (ad esempio una pagina HTML) deve sapere come leggere tali informazioni. Per garantire ciò vengono inseriti diversi contrassegni nel codice. Uno di questi è il Byte Order Mark (BOM). Ma a cosa serve questo marker?

I caratteri possono essere codificati in modi diversi. Mentre attualmente si utilizza soprattutto la codifica UTF-8, in passato era diffusa quella UTF-16, che viene utilizzata spesso ancor oggi. Parzialmente si usa anche UTF-32. A differenza di UTF-8, tuttavia, per le codifiche con un numero maggiore di bit per carattere, è necessario conoscere l’ordine dei byte.

In una codifica UTF-8 ogni carattere può essere rappresentato con un byte (ovvero 8 bit). Con UTF-16 sono necessari invece due byte (ovvero 16 bit) per codificare un carattere. Affinché il carattere possa essere interpretato correttamente, occorre chiarire se i byte vengono letti da sinistra a destra o da destra a sinistra. In base a questo si ottiene un valore completamente diverso.

• Da sinistra a destra: 01101010 00110101 è in notazione esadecimale 6a35
• Da destra a sinistra: 01101010 00110101 è in notazione esadecimale 356a

Se ora si vedesse questa sequenza numerica nel contesto di una tabella Unicode verrebbero visualizzati due caratteri completamente diversi. Nella prima lettura si parla di big endian (BE), nella seconda di little endian (LE); il big endian indica per primo il valore più alto, mentre il little endian quello più basso.

Per segnalare in quale ordine devono essere letti i byte è necessario il BOM. Si tratta di un carattere che non è visibile e che pertanto è noto anche come spazio di larghezza zero non separabile. Si tratta dunque di uno spazio con larghezza pari a zero e che non attiva un’interruzione di linea. In UTF-16 questo carattere (esadecimale) è feff (BE) oppure fffe (LE). Questo valore viene quindi anteposto all’effettiva codifica dei caratteri.

La codifica UTF-8 in realtà non ha bisogno del BOM e tuttavia lo si trova anche nei testi che sono stati codificati con esso. Si tratta di un residuo di una conversione da UTF-16 /UTF-32 a UTF-8, oppure è stato inserito automaticamente da un editor. Infatti anche se il Byte Order Mark non è necessario per UTF-8, di solito non interferisce in quanto non viene visualizzato.

I problemi sorgono quando il sistema ricevente non sa come gestire il BOM. Alcune versioni di PHP o diversi ambienti simili a Unix non prevedono disegni, il che può portare per esempio a una riproduzione errata di un sito web.

I problemi possono sorgere anche tra HTTP e HTML: un’intestazione HTTP contiene già informazioni sulla codifica dei caratteri, provenienti dalle impostazioni del server. Se il documento HTML è stato creato con il BOM, ma l’intestazione HTTP fornisce un’indicazione diversa al browser, anche questo può portare a errori di visualizzazione. Ma da quando è stata apportata una modifica alla specifica HTML5 ciò non dovrebbe più verificarsi: è stato richiesto che il BOM in una fase iniziale sovrascriva le informazioni dell’intestazione HTTP. È possibile tuttavia che le versioni di browser precedenti non abbiano ancora implementato questa nuova regolamentazione.