Conversor de Codificação de Texto — Corrija Texto Corrompido, Converta para UTF-8 grátis

Exemplo prático

Um arquivo de legenda de duas falas chamado film.srt, salvo por um programa antigo do Windows em Windows-1251 com quebras de linha do Windows, contém as linhas “Привет, как дела?” e “Хорошо, спасибо.” e tem 107 bytes. Em um player ele aparece como “Ïðèâåò, êàê äåëà?”. Solte-o na página. O arquivo é listado como “film.srt · 107 B”, e em “Ler o arquivo como” você vê cinco versões, cada uma com as linhas do próprio arquivo. Em um navegador em inglês, a primeira vem marcada e rotulada como “mais provável”: “Windows-1252 (Europa Ocidental)”, que mostra “Ïðèâåò, êàê äåëà?”. A terceira, “Windows-1251 (cirílico)”, mostra “Привет, как дела?”. Marque-a. Deixe “Salvar como” em “UTF-8” e “Quebras de linha” em “Manter”, clique em “Converter arquivo”, e a página diz “Convertida”. O download é film.srt de novo, agora com 133 B, porque cada letra cirílica ocupa dois bytes em UTF-8.

Quais configurações usar e os limites

• Julgue pelas linhas de prévia, não pelo selo. Só uma marca de ordem de bytes (BOM) ou um UTF-8 válido merece o selo “certo”, com a mensagem “Este arquivo é UTF-8 com certeza.” Para todo o resto, a ferramenta avalia o quanto cada leitura parece suspeita nos primeiros 64 KB: caracteres de substituição, caracteres de controle, letras de vários alfabetos ao mesmo tempo, maiúsculas no meio das palavras e, para chinês, japonês e coreano, quantos caracteres muito comuns aparecem. Os empates ficam com a página de código usual para o idioma do seu navegador. O selo “mais provável” é um palpite, então leia as linhas sob cada opção.
• Abra “Mostrar todas as 19 codificações” quando nenhuma das cinco parecer certa. No início são mostradas cinco versões. “Mostrar todas as 19 codificações” lista todas as que a ferramenta consegue ler: UTF-8, UTF-16 LE e BE, Windows-1250 a 1258, Windows-874, KOI8-R, KOI8-U, Shift_JIS, GBK, Big5 e EUC-KR. Cada prévia mostra até três linhas que contêm caracteres fora do ASCII simples, cada uma cortada em 120 caracteres. Se você escolher uma da lista completa e depois clicar em “Mostrar menos”, uma linha abaixo diz, por exemplo, “Lendo como Windows-1251 (cirílico).”
• Escolha a saída em “Salvar como”. A lista tem “UTF-8” (o padrão), “UTF-8 com BOM”, “UTF-16 LE (com BOM)”, Windows-1250 a 1258, Windows-874, KOI8-R e KOI8-U. A página diz que o UTF-8 “Funciona em quase todo aplicativo, player e site.” e que o UTF-8 com BOM é “Melhor para arquivos CSV que você abre no Excel.” As páginas de código antigas servem só para dispositivos ou programas antigos. Shift_JIS, GBK, Big5 e EUC-KR podem ser lidos, mas não gravados. Qualquer marca de ordem de bytes no início da entrada é descartada antes de se acrescentar a nova, se houver.
• Defina as quebras de linha se um programa precisar delas. “Quebras de linha” tem “Manter” (o padrão), “LF (Mac, Linux)” e “CRLF (Windows)”. LF e CRLF primeiro transformam todas as quebras de linha existentes, inclusive os antigos retornos de carro isolados, em um só tipo, então um arquivo misto sai consistente. A escolha vale para todos os arquivos do lote. Para um arquivo só com texto em inglês simples, a ferramenta diz: “Converta-o se um aplicativo precisar de BOM ou de outras quebras de linha.”
• Converta vários arquivos de uma vez. Solte muitos arquivos ou clique em “Adicionar mais arquivos”. Cada arquivo tem a sua própria escolha em “Ler o arquivo como”; alterne entre eles com os botões de nome de arquivo. “Salvar como” e “Quebras de linha” valem para todos. Um arquivo é baixado com o próprio nome. Vários são baixados em um ZIP com nome como converted-utf-8.zip, com nomes repetidos numerados -2, -3. Um arquivo acima de 50 MB é ignorado. Se a página disser “Não foi possível converter os arquivos. Tente menos de cada vez.”, remova alguns arquivos e converta de novo.
• Saiba o que a ferramenta não toca. Ela aceita arquivos .txt, .srt, .vtt, .ass, .ssa, .sub, .sbv, .lrc, .csv, .tsv, .md, .json, .xml, .html, .htm, .ini, .cfg, .log, .nfo, .cue, .m3u, .tex, .yml, .yaml e .properties. Ela altera apenas a codificação e, se pedido, as quebras de linha. O texto dentro do arquivo não é editado, então um arquivo HTML ou XML que cita a codificação antiga em um cabeçalho continua citando-a depois da conversão, e você mesmo precisa mudar essa linha.

Problemas comuns e como resolvê-los

Aparece “1 arquivo foi ignorado: não pôde ser lido ou passa de 50 MB.”

Cada arquivo deve ter 50 MB ou menos, e o navegador precisa conseguir lê-lo. Se o arquivo está no OneDrive, iCloud ou Google Drive, salve uma cópia neste dispositivo e adicione essa. Para um log muito grande, corte-o antes em partes. Os outros arquivos que você adicionou continuam na lista.

Aparece “Este arquivo contém apenas letras, dígitos e pontuação simples em inglês, que se leem igual em qualquer codificação.”

Não há lista de codificações para escolher porque todo byte do arquivo está abaixo de 128, então escolher outra codificação não mudaria um único caractere. Se um aplicativo ainda mostra caracteres estranhos, o problema não é a codificação deste arquivo. Você ainda pode convertê-lo, como diz a mensagem, para acrescentar um BOM ou mudar as quebras de linha. Um arquivo com um byte zero nos primeiros 4.096 bytes não é tratado assim.

Aparece “2 caracteres não puderam ser salvos nesta codificação e viraram “?”. Escolha UTF-8 para manter todos os caracteres.”

Você escolheu uma página de código antiga de um byte por caractere em “Salvar como”, e o texto tem caracteres que ela não comporta. Cada um foi gravado como ponto de interrogação, e o número os conta. O arquivo convertido está pronto para baixar, mas esses caracteres agora são pontos de interrogação, então não o use. Escolha “UTF-8” e converta de novo para manter todos os caracteres. Use uma página de código antiga só para um dispositivo que a exija, e escolha a do seu idioma.

Nenhuma das versões aparece corretamente.

Abra “Mostrar todas as 19 codificações”. A correta pode ficar abaixo das cinco primeiras. Em uma página em inglês, um arquivo em espanhol com ¿ ou ¡ salvo como Windows-1252 pode ficar mais abaixo, porque essa pontuação conta contra uma leitura. Várias páginas de código costumam ter a mesma pontuação em um arquivo curto, então a certa pode estar em qualquer posição entre elas. Compare as linhas no seu idioma e marque a que se lê naturalmente.

Aparece “Este arquivo é UTF-8 com certeza.”, mas o texto ainda parece errado.

Os bytes são UTF-8 válido, então a ferramenta os lê exatamente como estão escritos. Caracteres estranhos como “é” fazem então parte do próprio texto, em geral resultado de uma conversão errada anterior, e ler os mesmos bytes como outra codificação não desfaz isso. Volte ao arquivo original, de antes da primeira conversão, e adicione esse.

Como se compara

Um editor de texto que reabre um arquivo em uma codificação escolhida e o salva como UTF-8 faz o mesmo trabalho, e serve melhor se você também quiser editar o texto. Esta ferramenta mostra as leituras candidatas lado a lado com as linhas do próprio arquivo, converte muitos arquivos de uma vez e não exige nada instalado. Os arquivos são lidos e convertidos no seu navegador, sem serem enviados. Ela altera apenas a codificação e as quebras de linha. Ela avalia os primeiros 64 KB para ordenar os palpites e não tenta reparar texto danificado por uma conversão errada anterior. Não consegue gravar Shift_JIS, GBK, Big5 nem EUC-KR.