Zeichensalat reparieren — kaputte Umlaute und Kodierung korrigieren
Repariert Zeichensalat, indem alle wahrscheinlichen Paare vertauschter Kodierungen rückgängig gemacht werden
Verarbeitung im Browser · kein Hochladen
Das Beispiel ist UTF-8-Text, der als Windows-1252 gelesen wurde. Ersetzen Sie ihn durch Ihren eigenen verstümmelten Text.
1 Kandidaten. Am wahrscheinlichsten: als UTF-8 gespeichert, als Windows-1252 (Latin-1) gelesen
Am wahrscheinlichsten
Grüße aus München — Café crème, naïve Übergrößen
als UTF-8 gespeichert, als Windows-1252 (Latin-1) gelesen
Jedes Paar aus UTF-8, CP949 (EUC-KR), Shift_JIS und Windows-1252 (12 Paare) wird zurückverwandelt, doppelt verstümmelter Text ein weiteres Mal. Kandidaten stehen weiter oben, je mehr gebräuchliche Buchstaben sie enthalten (lateinische Buchstaben, Kana, die 2.350 gebräuchlichen Hangul-Silben aus KS X 1001) und je weniger �, Steuerzeichen und verirrte Latin-1-Symbole. Die Tabellen folgen dem WHATWG Encoding Standard; Ihr Text bleibt in Ihrem Browser.
Was das Tool ist
Die Mojibake-Reparatur verwandelt Zeichensalat wieder in den Text, der gemeint war. Sie hilft, wenn ein E-Mail-Betreff „ü“ statt „ü“ zeigt, ein Datenbankexport voller „’“ steckt, wo Apostrophe stehen sollten, oder koreanischer und japanischer Text zu Ketten seltsamer Symbole geworden ist. Sie müssen nicht wissen, welche Kodierungen vertauscht wurden: Jedes wahrscheinliche Paar wird ausprobiert, und die natürlichsten Ergebnisse stehen oben.
Anleitung
- Fügen Sie den verstümmelten Text ein. Zu Beginn ist ein Beispiel eingetragen.
- Sehen Sie sich zuerst den Kandidaten „Am wahrscheinlichsten“ an.
- Jeder Kandidat nennt, wie der Text verstümmelt wurde, zum Beispiel „als UTF-8 gespeichert, als Windows-1252 gelesen“. Tritt das Problem immer wieder auf, ändern Sie diese Einstellung in dem Programm, das falsch gelesen hat.
- Kopieren Sie den gewünschten Kandidaten.
- Findet sich nichts Besseres oder ist der Text voller �, öffnen Sie die Originaldatei mit dem Zeichensatz-Konverter.
So funktioniert es
- Ausprobierte Kodierungen: UTF-8, CP949 (EUC-KR), Shift_JIS und Windows-1252 (Latin-1), alle 12 Paare. Jede Rückumwandlung kodiert den verstümmelten Text mit der Kodierung, in der er fälschlich gelesen wurde, und dekodiert die Bytes dann mit der Kodierung, in der sie tatsächlich vorlagen.
- Kandidaten, die im ersten Schritt nichts verloren haben, werden ein weiteres Mal zurückverwandelt, um doppelte Verstümmelung zu erfassen.
- Die Sortierung bevorzugt lateinische Buchstaben und Ziffern, japanische Kana und die 2.350 gebräuchlichen Hangul-Silben und bestraft �, Steuerzeichen, verirrte Latin-1-Symbole und Hangul, das direkt vor lateinischen Buchstaben klebt. Ein Kandidat, der neue Lücken aus � erzeugt, wird stark abgewertet.
- Besteht die Eingabe zu 20 % oder mehr aus �, stehen der Hinweis „aus dem Text nicht wiederherstellbar“ und ein Link zum Zeichensatz-Konverter oben, und es bleiben nur Kandidaten, deren übrige Buchstaben klar lesbar sind (gebräuchliches Hangul oder Kana). So wird zufällig wirkendes Rauschen nie als Reparatur angeboten.
- Die Kodierungstabellen folgen dem WHATWG Encoding Standard.
Beispiele
| Verstümmelt | Ursache | Repariert |
|---|---|---|
| Grüße aus München | UTF-8 als Windows-1252 gelesen | Grüße aus München |
| Café crème | UTF-8 als Windows-1252 gelesen | Café crème |
| it’s | UTF-8 als Windows-1252 gelesen | it’s |
| 한글 | UTF-8 als Windows-1252 gelesen | 한글 |
| À̸§ | CP949 als Windows-1252 gelesen | 이름 |
| 譌･譛ｬ隱槭� | japanisches UTF-8 als Shift_JIS gelesen | 日本語… (teilweise) |
| �ȳ��ϼ��� | CP949 als UTF-8 gelesen | nicht wiederherstellbar (Hinweis und Link zum Konverter) |
Häufige Fragen
Was ist Mojibake?
Text wird als Bytes gespeichert. Wird er in einer Kodierung gespeichert und in einer anderen gelesen, erscheinen dieselben Bytes als falsche Zeichen. Das UTF-8-Wort „Grüße“ wird, als Windows-1252 gelesen, zu „Grüße“, aus „café“ wird „café“ und aus dem koreanischen „한글“ wird „한글“.
Wann lässt sich der Text nicht reparieren?
Ist der Text voller � (Ersatzzeichen), wurden die ursprünglichen Bytes beim falschen Lesen verworfen und lassen sich aus dem Text nicht wiederherstellen. Typisch ist eine Datei in Windows-1252 oder EUC-KR, die als UTF-8 geöffnet wurde, aus „Grüße“ wird dann „Gr��e“. Öffnen Sie in diesem Fall die Originaldatei mit dem Zeichensatz-Konverter.
Welchem Kandidaten sollte ich vertrauen?
Der oberste ist die natürlichste Lesart, sehr kurzer Text kann aber mehrdeutig sein. Wählen Sie den Kandidaten, der sich wie echte Sätze liest, und prüfen Sie die Erklärung, wie der Text verstümmelt wurde.
Funktioniert das auch bei doppelt verstümmeltem Text?
Ja. Text, der falsch gelesen, gespeichert und erneut falsch gelesen wurde (aus é wird Â…), wird in zwei Schritten zurückverwandelt. Texte mit mehr als 5.000 Zeichen erhalten aus Geschwindigkeitsgründen nur einen Schritt.
Warum bleiben sehr kurze japanische Zeichenketten manchmal unrepariert?
Die Kandidaten werden danach sortiert, wie natürlich sie aussehen, und eine sehr kurze verstümmelte Zeichenkette kann selbst plausibel wirken, weil sie Kanji und Kana mischt. „ありがとう“, über Shift_JIS verstümmelt („縺ゅｊ縺後→縺�“), erhält möglicherweise keinen Kandidaten oder eine andere Reihenfolge. Längerer Text wird deutlich zuverlässiger eingeordnet, fügen Sie also auch die umgebenden Sätze ein.
Werden andere Codepages wie Windows-1251 oder ISO-8859-2 unterstützt?
Nein. Das Tool probiert nur UTF-8, CP949 (EUC-KR), Shift_JIS und Windows-1252 (Latin-1). Für westeuropäische Texte mit Umlauten und Akzenten wie é, ü, ñ oder ç ist das der häufigste Fall, Zeichensalat aus anderen Codepages wird aber nicht erkannt.
Wird mein Text gespeichert?
Nein. Alles läuft in Ihrem Browser.
