Arreglar caracteres raros (é, ñ) — Reparar codificación de texto
Herramienta que repara el mojibake deshaciendo cada par probable de codificaciones confundidas
Funciona en tu navegador · no se sube nada
El ejemplo es texto en UTF-8 que se leyó como Windows-1252. Sustitúyelo por tu propio texto roto.
1 candidatos. Más probable: guardado como UTF-8, leído como Windows-1252 (Latin-1)
Más probable
¿Qué tal? Año nuevo en España — pingüino y ñandú
guardado como UTF-8, leído como Windows-1252 (Latin-1)
Se invierten todos los pares de UTF-8, CP949 (EUC-KR), Shift_JIS y Windows-1252 (12 pares), y el texto roto dos veces se invierte una vez más. Los candidatos suben con más letras comunes (latinas, kana, las 2350 sílabas hangul comunes de KS X 1001) y menos �, códigos de control y símbolos sueltos de Latin-1. Las tablas siguen el WHATWG Encoding Standard; tu texto se queda en tu navegador.
Qué es
El reparador de mojibake devuelve el texto roto a lo que debía decir. Te sirve cuando el asunto de un correo muestra «Ã©» en lugar de «é», una exportación de base de datos está llena de «â€™» donde debería haber apóstrofos, o un texto en coreano o japonés se ha convertido en una ristra de símbolos extraños. No necesitas saber qué codificaciones se confundieron: se prueban todos los pares probables y los resultados más naturales aparecen primero.
Cómo se usa
- Pega el texto roto. Para empezar viene un ejemplo rellenado.
- Mira primero el candidato «Más probable».
- Cada candidato explica cómo se rompió el texto, por ejemplo «guardado como UTF-8, leído como Windows-1252». Si el problema se repite, cambia ese ajuste en el programa que lo leyó mal.
- Copia el candidato que quieras.
- Si no aparece nada mejor, o el texto está lleno de �, abre el archivo original con el conversor de codificación.
Cómo funciona
- Codificaciones probadas: UTF-8, CP949 (EUC-KR), Shift_JIS y Windows-1252 (Latin-1), los 12 pares. Cada inversión codifica el texto roto con la codificación con la que se leyó por error y después decodifica esos bytes con la codificación en la que estaban de verdad.
- Los candidatos que no perdieron nada en el primer paso se invierten una vez más para detectar el texto roto dos veces.
- La ordenación favorece las letras latinas y los dígitos, los kana japoneses y las 2350 sílabas hangul más comunes, y penaliza los �, los códigos de control, los símbolos sueltos de Latin-1 y el hangul pegado delante de letras latinas. Un candidato que crea nuevos huecos de � baja mucho en la lista.
- Cuando el 20 % o más de la entrada son �, primero aparecen el aviso de que no se puede recuperar a partir del texto y un enlace al conversor de codificación, y solo se conservan los candidatos cuyas letras restantes se leen con claridad (hangul o kana comunes), para no ofrecer nunca ruido aleatorio como solución.
- No se tratan otras codificaciones como GBK, Big5, Windows-1251 o KOI8-R.
- Las tablas de codificación siguen el WHATWG Encoding Standard.
Ejemplos
| Texto roto | Causa | Reparado |
|---|---|---|
| Café crème | UTF-8 leído como Windows-1252 | Café crème |
| España, Canción | UTF-8 leído como Windows-1252 | España, Canción |
| it’s | UTF-8 leído como Windows-1252 | it’s |
| 한글 | UTF-8 leído como Windows-1252 | 한글 |
| À̸§ | CP949 leído como Windows-1252 | 이름 |
| 譌･譛ｬ隱槭� | japonés en UTF-8 leído como Shift_JIS | 日本語… (en parte) |
| �ȳ��ϼ��� | CP949 leído como UTF-8 | no se puede recuperar (se muestran el aviso y el enlace al conversor) |
Preguntas frecuentes
¿Qué es el mojibake?
El texto se guarda como bytes. Si se guarda en una codificación y se lee en otra, esos mismos bytes aparecen como caracteres equivocados. «año» en UTF-8 leído como Windows-1252 se convierte en «año», «café» en «café», y el coreano «한글» en «í•œê¸€».
¿Arregla las tildes y la ñ rotas como é, á o ñ?
Sí. Es el caso más habitual en español y en otras lenguas con acentos (é, ü, ñ, ç…), y se produce cuando un texto en UTF-8 se lee como Windows-1252 o Latin-1. Ese par está incluido, así que «España» vuelve a ser «España».
¿Cuándo no se puede arreglar?
Si el texto está lleno de � (el carácter de sustitución), los bytes originales se descartaron al leerlo mal y no se pueden reconstruir a partir del texto. Es lo que pasa, por ejemplo, cuando un archivo en Windows-1252 o en EUC-KR se abre como UTF-8 y «España» aparece como «Espa�a». En ese caso, abre el archivo original con el conversor de codificación.
¿En qué candidato debo confiar?
El primero es la lectura que parece más natural, pero un texto muy corto puede ser ambiguo. Elige el que se lea como frases reales y fíjate en la explicación de cómo se rompió.
¿Sirve con texto roto dos veces?
Sí. Un texto que se leyó mal, se guardó y se volvió a leer mal (é convertido en Â…) se deshace en dos pasos. Los textos de más de 5000 caracteres solo reciben un paso para que todo vaya rápido.
¿Por qué a veces no se arreglan cadenas japonesas muy cortas?
Los candidatos se ordenan según lo natural que parecen, y una cadena rota muy corta puede parecer plausible por sí misma porque mezcla kanji y kana. «ありがとう» roto a través de Shift_JIS («縺ゅｊ縺後→縺�») puede quedarse sin candidato o salir en otro orden. Con textos más largos el orden es mucho más fiable, así que pega también las frases de alrededor.
¿Se guarda mi texto?
No. Todo se ejecuta en tu navegador.
