Filen er ikke ødelagt, læsningen er forkert
I en undertekstfil ligger bytes. For at gøre bytes til tegn skal du vide hvilken kodning de er skrevet i — vælger du forkert, bliver det ødelagte tegn. Selve filen har ikke mistet én byte; læser du den med en anden kodning, kommer tegnene tilbage.
Ødelagte tegn er altså to ting: genkende den oprindelige kodning og gemme i en kodning afspilleren genkender. Det første klares ved prøvelæsning og score, det andet ved Gem som.
Fem udseender, fem årsager
Ødelagte tegn opstår ikke tilfældigt; udseendet afslører årsagen med det samme:
- Rækker af bogstaver med accenter (`ä½ å¥½`): tekst i UTF-8 er læst som en kodning med én byte ad gangen — i UTF-8 er et tegn tre bytes, ved læsning én byte ad gangen bliver hver byte sit eget bogstav
- Tegn i rækker men ikke ét almindeligt: UTF-8 er læst som GBK — to bytes ad gangen sættes sammen på ny og der kommer kun sjældne tegn ud
- En masse valuta- og matematiske symboler: bytes er havnet i symbolområdet, ofte ved læsning som Mac Roman eller Latin-1-familien
- Der er kommet kontroltegn ind imellem: bytes er havnet i det usynlige kontrolområde, på skærmen vises tomrum eller en firkant
- Det firkantede spørgsmålstegn `�`: det er et erstatningstegn, ikke ødelagte tegn — det betyder at her var et tegn som allerede gik tabt
Hvorfor erstatningstegn ikke kan repareres
Erstatningstegnet er den vigtige grænse. Ses `�`, er bytes blevet kasseret allerede i et tidligere skridt (typisk har et program læst filen én gang og gemt den én gang); der er ikke noget spor af den kasserede del. Baglæns ræsonnement har så intet grundlag — ingen kan reparere det.
Derfor behandler reparationssiden to tilfælde hver for sig: ved upload er de oprindelige bytes stadig til stede og hver kodning kan prøves efter tur; er erstatningstegnet allerede i indsat tekst, siges det rent ud at det ikke kan lade sig gøre.
Der er også et omvendt tilfælde: indholdet læses helt normalt, men i afspilleren er det stadig ødelagt. Det er ikke filens fejl men afspilleren der valgte forkert kodning. At ændre filen hjælper ikke; giv den en kopi gemt som UTF-8 med BOM eller GBK.
Hvad der sammenlignes ved reparation
Værktøjet prøver hver mulig kodning efter tur og giver så hvert resultat en score: hvor mange almindelige tegn, er der rækker af accenter, er der rækker af symboler, er tegnene sammenhængende sjældne. Den med højest score står øverst.
Er scoren ikke tydeligt bedre, anbefales ingenting — hellere sige at denne fil læses normalt end at spise dig af med et tyndt resultat. Ved filer behandlet forkert to gange ræsonneres et lag mere baglæns.
Gem i den rigtige kodning gør det færdigt
Den reparerede tekst skal også gemmes i en kodning afspilleren genkender. Afspillere i Windows genkender kodningen som regel på BOM'en, så UTF-8 med BOM er nemmest; ældre apparater og lokale afspillere genkender GBK. Kodninger at vælge: UTF-8, UTF-8 (med BOM), GBK, Big5, Shift_JIS, EUC-KR; er der ikke plads, bliver du bedt om at vælge en anden.
Relaterede værktøjer og guides
Hele fremgangsmåden i Sådan bruger du reparation af ødelagte tegn; hvad der egentlig står i en SRT-fil i Hvad står der i en SRT-fil; er kodningen fin men indholdet beskidt (vandmærke, reklame, hørehæmmede-markeringer), brug Rens undertekster.