Tiedosto ei ole rikki, se luettiin väärin
Tekstitystiedostossa on tavuja. Jotta tavuista tulee merkkejä, on tiedettävä millä koodauksella ne on kirjoitettu – jos tämä valinta menee pieleen, tuloksena on merkkisotkua. Tiedostosta ei puutu yhtään tavua: lue se toisella koodauksella, niin merkit tulevat takaisin.
Siksi sotkussa on kaksi eri asiaa: tunnistaa millä koodauksella se on kirjoitettu ja tallentaa koodauksella jonka soitin tunnistaa. Edellinen perustuu koelukuun ja pisteisiin, jälkimmäinen tallennukseen. Ne korjaavat eri ongelman.
Viisi ulkonäköä, viisi syytä
Merkkisotku ei synny sattumalta – sen ulkonäkö paljastaa syyn suoraan:
- Tarkemerkillisiä kirjaimia putkina (`ä½ å¥½`): UTF-8:n kiina luettiin yksitavuisena koodauksena – kiina on UTF-8:ssa kolme tavua per merkki ja yksitavuinen luku tulkitsee jokaisen tavun omaksi kirjaimekseen
- Kiinalaisia merkkejä putkina ilman yhtään yleistä merkkiä (`浣犲ソ`): UTF-8 luettiin GBK:na – tavut paritettiin uudelleen kahden ryhmissä ja tuloksena on harvinaisia merkkejä
- Valuutta- ja matematiikkasymboleita: tavut osuivat symbolialueelle, tyypillistä kun tiedosto on luettu Mac Roman tai Latin-1 -koodauksena
- Ohjausmerkkejä seassa: tavut osuivat näkymättömälle ohjausalueelle, näkyy ruudulla tyhjinä tai neliöinä
- Neliömäinen kysymysmerkki `�`: tämä on korvausmerkki, ei merkkisotkua – se kertoo että tässä oli merkki, joka katosi jo lukuvaiheessa
Miksi korvausmerkkiä ei voi korjata
Korvausmerkki on ratkaiseva raja. Kun `�` ilmestyy, tavut katosivat aiemmassa vaiheessa – yleensä jokin ohjelma luki tiedoston ja tallensi sen uudelleen – eikä kadonneesta osasta ole mitään tietoa. Silloin taaksepäin päättelylle ei ole perustetta ja kukaan ei saa sitä takaisin.
Siksi korjaussivu käsittelee kahta tilannetta eri tavalla: tiedostoa lähetettäessä alkuperäiset tavut ovat tallella ja jokaista koodausta voi kokeilla; jos liitetyssä sisällössä on jo korvausmerkki, sanotaan suoraan että korjaus ei onnistu ja pyydetään alkuperäistä tiedostoa.
Samalla kannattaa huomata päinvastainen tilanne: sisältö luetaan täysin normaalisti, mutta soittimessa näkyy yhä sotkua. Se ei ole tiedoston vika vaan soitin valitsi väärän koodauksen. Tiedoston muuttaminen ei auta – tallenna kopio UTF-8:na BOM:in kanssa tai GBK:na ja anna se soittimelle.
Mitä korjauksessa verrataan
Työkalu kokeilee jokaisen mahdollisen koodauksen ja antaa jokaiselle tulokselle pisteet: kuinka paljon yleisiä merkkejä, onko tarkemerkkien jonoja, onko symbolijonoja, ovatko kiinalaiset merkit putkina harvinaisia. Eniten pisteitä saanut tulos on ensimmäisenä.
Jos pisteet eivät ole selvästi paremmat, mitään ei suositella – mieluummin sanotaan suoraan että tämä luetaan normaalisti kuin tarjotaan väkinäinen tulos. Kahdesti väärin tallennetuille päätellään vielä yksi kerros taaksepäin.
Vasta oikea koodaus viimeistelee
Korjattu teksti pitää tallentaa koodauksella jonka soitin tunnistaa. Windowsin soittimet tunnistavat koodauksen usein BOM:ista, joten UTF-8 BOM:in kanssa on vaivattomin; vanhat laitteet ja kiinalaiset soittimet tunnistavat GBK:n. Vaihtoehdot ovat UTF-8, UTF-8 (BOM), GBK, Big5, Shift_JIS ja EUC-KR; jos teksti ei mahdu, työkalu kehottaa vaihtamaan toiseen.
Aiheeseen liittyvät työkalut ja oppaat
Koko toimenpide on sivulla Merkkisotkun korjaus käytössä; mitä SRT-tiedostossa oikein on, kerrotaan sivulla Mitä SRT-tiedostossa on; jos koodaus on kunnossa mutta sisältö on likaista (vesileimat, mainokset, kuulovammaisille tarkoitetut merkinnät), käytä Tekstitysten puhdistus.