Soubor není poškozený, čtení je špatné
V souboru titulků jsou byty. Aby se z bytů stal text, musíš vědět, v jakém kódování byly napsány — vybereš-li špatně, vyjdou rozbité znaky. Samotný soubor neztratil ani jeden byte; přečteš-li ho jiným kódováním, znaky se vrátí.
Rozbité znaky jsou tedy dvě věci: poznat původní kódování a uložit v kódování, které přehrávač pozná. První řeší zkušební čtení a skóre, druhé uložení jako.
Pět podob, pět příčin
Rozbité znaky nevznikají náhodně; jejich vzhled prozradí příčinu:
- Řady písmen s diakritikou (`ä½ å¥½`): text v UTF-8 byl přečten jako kódování po jednom bytu — v UTF-8 je znak tři byty, při čtení po jednom bytu se každý byte stane vlastním písmenem
- Znaky v řadách, ale ani jeden běžný: UTF-8 bylo přečteno jako GBK — po dvou bytech se znovu spárují a vycházejí samé vzácné znaky
- Spousta symbolů měn a matematických symbolů: byty spadly do oblasti symbolů, často při čtení jako Mac Roman nebo rodina Latin-1
- Vmíchaly se řídicí znaky: byty spadly do neviditelné řídicí oblasti, na obrazovce je mezera nebo čtvereček
- Čtvercový otazník `�`: to je náhradní znak, ne rozbité znaky — znamená to, že tu byl znak, který se při čtení už ztratil
Proč náhradní znak nejde opravit
Náhradní znak je klíčová hranice. Ukazuje-li se `�`, byty byly zahozeny už v dřívějším kroku (většinou nějaký program soubor jednou přečetl a jednou uložil); po zahozené části není žádná stopa. Odvozování zpět pak nemá oporu — nikdo to neopraví.
Proto stránka opravy řeší dva případy odděleně: při nahrávání jsou původní byty pořád k dispozici a každé kódování lze zkusit postupně; je-li ve vloženém textu už náhradní znak, řekne se rovnou, že to nejde a má se nahrát původní soubor.
Existuje i opačný případ: obsah se čte zcela normálně, ale v přehrávači je pořád rozbitý. To není chyba souboru, ale přehrávače, který vybral špatné kódování. Změna souboru nepomůže; stačí dát mu kopii uloženou jako UTF-8 s BOM nebo GBK.
Co se při opravě porovnává
Nástroj zkusí každé možné kódování postupně a pak dá každému výsledku skóre: kolik běžných znaků, jsou řady diakritiky, jsou řady symbolů, jsou znaky souvisle vzácné. Nejvýše ohodnocený je nahoře.
Není-li skóre výrazně lepší, nic se nedoporučuje — raději říct, že se tento soubor čte normálně, než tě odbýt natahovaným výsledkem. U souborů zpracovaných špatně dvakrát se odvozuje ještě o jednu vrstvu zpět.
Uložení ve správném kódování to dokončí
Opravený text musíš také uložit v kódování, které přehrávač pozná. Přehrávače ve Windows poznají kódování obvykle podle BOM, takže UTF-8 s BOM je nejjednodušší; starší zařízení a lokální přehrávače poznají GBK. Kódování k výběru: UTF-8, UTF-8 (s BOM), GBK, Big5, Shift_JIS, EUC-KR; nevejde-li se to, vyzve tě zvolit jiné.
Související nástroje a průvodci
Celý postup v Jak používat opravu rozbitých znaků; co vlastně je v souboru SRT v Co je v souboru SRT; je-li kódování v pořádku, ale obsah znečištěný (vodoznak, reklama, označení pro neslyšící), použij Čištění titulků.